Wirtschaftsstatistik [2., überarb. und erw. Aufl.] 9783486709568

Citation preview

Wirtschaftsstatistik

von

Prof. Dr. Jürgen Stiefl

2.,überarbeitete und erweiterte Auflage

OldenbourgVerlag München

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.

© 2011 Oldenbourg Wissenschaftsverlag GmbH Rosenheimer Straße 145, D-81671 München Telefon: (089) 45051-0 www.oldenbourg-verlag.de Das Werk einschließlich aller Abbildungen ist urheberrechtlich geschützt. Jede Verwertung außerhalb der Grenzen des Urheberrechtsgesetzes ist ohne Zustimmung des Verlages unzulässig und strafbar. Das gilt insbesondere für Vervielfältigungen, Übersetzungen, Mikroverfilmungen und die Einspeicherung und Bearbeitung in elektronischen Systemen. Lektorat: Dr. Jürgen Schechler Herstellung: Constanze Müller Einbandgestaltung: hauser lacour Gesamtherstellung: Grafik + Druck GmbH, München Dieses Papier ist alterungsbeständig nach DIN/ISO 9706. ISBN 978-3-486-59813-1

Vorwort zur ersten Auflage Das vorliegende Buch beinhaltet mit den beiden Bereichen der beschreibenden (deskriptiven) und schließenden Statistik (Wahrscheinlichkeitstheorie) das Basiswissen der Statistik und ist auf der Grundlage einer mehrjährigen (Wirtschafts-)Statistikvorlesung entstanden. Die Zielsetzung des Buches besteht darin, den Studierenden der Hochschulen einen Überblick über die maßgeblichen statistischen Verfahren zu vermitteln und ihnen insbesondere die Angst vor der Materie zu nehmen. Nicht zuletzt deshalb wurde auf die teilweise komplexe Herleitung der einzelnen Verfahren verzichtet. Es geht darum, dem Leser Instrumentarien an die Hand zu geben, die im weiteren Verlauf des Studiums, aber auch im Berufsleben von Bedeutung sein können. Aus diesem Grund verweisen regelmäßig Fußnoten auf entsprechende Fallstudien, die die vorgestellte Thematik noch einmal aufgreifen und vertiefen. Zur Lernkontrolle schließen sich dem Kapitel der Fallstudien deren Lösungen an. Bedanken möchte ich mich an dieser Stelle bei meinen Studentinnen und Studenten, die mich zu diesem Buch ermutigt und mir auch durch ihre Hinweise und Fragestellungen wertvolle Tipps gegeben haben. Besonders bedanken aber möchte ich mich bei meiner Familie, die mir fast den kompletten Sommer und Herbst des Jahres für die Erstellung des Buches zur Verfügung gestellt hat. Jürgen Stiefl

Dezember 2005

Vorwort zur zweiten Auflage Die zweite Ausgabe von „Wirtschaftsstatistik“ hat inhaltlich den gleichen Aufbau wie die Erstausgabe. Jedoch wurden einige neue Erkenntnisse aus meinen Vorlesungen sowie betriebswirtschaftlichen Seminaren eingearbeitet. Das erste Kapitel „Einführung“ wurde inhaltlich weitestgehend belassen. Lediglich die Zielsetzung und Motivation wurde klarer herausgearbeitet. Im zweiten Kapitel „Beschreibende Statistik“ wurden gegenüber der Erstausgabe einige Erweiterungen vorgenommen. Im Bereich der Lage- und Streuungsparameter betrifft dies das harmonische Mittel als Abrundung der Lageparameter, sowie die mittlere absolute Abweichung, den Variationskoeffizienten und die Spannweite im Bereich der Streuungsparameter. Im Rahmen der Korrelationsanalyse wurde zur besseren Veranschaulichung die Kovarianzanalyse vorgeschaltet. Generell wurden die sich anschließenden Fallstudien dahingehend überarbeitet, dass sie nun zum einen umfangreicher und zum anderen einen stärkeren Bezug zu den Bereichen der Wirtschaftswissenschaften aufweisen. Das dritte Kapitel der „Schließenden Statistik“ beinhaltet die meisten Neuerungen bzw. Ergänzungen, da dieser Bereich den Studierenden gegenüber der beschreibenden Statistik traditionell die größeren Schwierigkeiten bereitet. Zunächst erfolgt eine stärkere (bessere) Verknüpfung der Grundlagen zur Wahrscheinlichkeitstheorie sowie der Kombinatorik mit den sich anschließenden Verteilungsfunktionen. Dazu gehört bspw. das Verständnis, was ein Zufallsexperiment ist, wie Rechenregeln für Wahrscheinlichkeiten aufgestellt werden und wie daraus schließlich diskrete und stetige Verteilungsfunktionen abgeleitet werden können. In letzterem Bereich wurden neu die Gleich-, Dreiecks- und Exponentialverteilung aufgenommen. Dadurch wurde nicht nur ein ausgewogeneres Verhältnis zwischen diskreten und stetigen Verteilungen geschaffen, sondern gleichzeitig auch betriebswirtschaftlich sehr relevante Bereiche integriert. Auch der Bereich der Schätz- und Testtheorie wurde grundlegend überarbeitet. Die Schätztheorie wurde um einige bedeutende Konfidenzintervalle, so bspw. um die Methodik des „Value at Risk“ ergänzt und durch die Kapitel „Wünschenswerte Eigenschaften von Schätzfunktionen“ und „Verfahren zur Konstruktion von Schätzfunktionen“ erweitert. Gleiches gilt für die Testtheorie. Neben neuen Zweistichprobentests wurde der χ2Anpassungstest aufgenommen, gestattet er doch eine Aussage, ob die zugrunde liegende Verteilung überhaupt eine sinnvolle ist. Auch die Themenbereiche der Schließenden Statistik wurden mit neuen, praxisrelevanteren Fallstudien versehen. Bleibt schließlich zu hoffen, dass die Materie, die von vielen Studierenden nach wie vor als schwierig und „trocken“ empfunden wird, doch den einen oder anderen neuen Anhänger gewinnt. Sie hätte es verdient! Schlussendlich bleibt mir noch, mich bei den vielen Studierenden zu bedanken, die ich nun bereits auf dem Weg zum Diplom oder Bachelor begleiten durfte. Sie haben mir viele Anregungen, konstruktive Vorschläge und Meinungen kundgetan. Jürgen Stiefl

Dezember 2010

Inhalt 1

Einführung

1.1

Motivation und Zielsetzung des Buches..................................................................... 1

1.2

Was sind die häufigsten Fehler von Statistiken? ........................................................ 2

1.3 1.3.1 1.3.2

Die Bedeutung der Fragestellung ............................................................................... 5 Deskriptive Statistik versus schließende Statistik ...................................................... 5 Repräsentative Stichproben und ihre Aussagekraft .................................................... 6

1.4 1.4.1 1.4.2 1.4.3 1.4.4

Die Bedeutung der Datenart ....................................................................................... 9 Unterscheidung nach der Skalierung .......................................................................... 9 Unterscheidung nach der Stellung im Problem ........................................................ 11 Unterscheidung nach der zeitlichen Anordnung....................................................... 12 Unterscheidung nach der Anzahl der Variablen ....................................................... 12

2

Beschreibende (deskriptive) Statistik

2.1 2.1.1 2.1.2 2.1.3 2.1.4

Graphische Darstellungen ........................................................................................ 15 Graphische Darstellung einer qualitativen Variablen ............................................... 15 Graphische Darstellung einer quantitativen Variablen ............................................. 17 Graphische Darstellung zweier quantitativer Variablen ........................................... 19 Die Lorenzkurve ....................................................................................................... 20

2.2 2.2.1

Lage- und Streuungsparameter ................................................................................. 23 Lageparameter .......................................................................................................... 23 2.2.1.1 Arithmetisches Mittel .............................................................................23 2.2.1.2 Median ....................................................................................................24 2.2.1.3 Modus .....................................................................................................26 2.2.1.4 Geometrisches Mittel ..............................................................................26 2.2.1.5 Harmonisches Mittel ...............................................................................28 Streuungsparameter .................................................................................................. 30 2.2.2.1 Varianz und Standardabweichung ..........................................................30 2.2.2.2 Mittlere absolute Abweichung ................................................................32 2.2.2.3 Variationskoeffizient ..............................................................................33 2.2.2.4 Spannweite .............................................................................................34

2.2.2

2.3

1

15

Indizes ...................................................................................................................... 35

X 2.4 2.4.1 2.4.2 2.4.3

2.4.4

2.4.5 2.4.6

Inhalt Statistische Verfahren im Bereich der deskriptiven Statistik ................................... 38 Die Bedeutung der Datenart ..................................................................................... 38 Kovarianzanalyse ..................................................................................................... 39 Korrelationsanalyse .................................................................................................. 41 2.4.3.1 Korrelationskoeffizient nach Bravais-Pearson für ungruppierte Daten .. 42 2.4.3.2 Korrelationskoeffizient nach Bravais-Pearson für gruppierte Daten ...... 45 2.4.3.3 Rangkorrelationskoeffizient nach Spearman .......................................... 47 Regressionsanalyse .................................................................................................. 49 2.4.4.1 Lineare Einfachregression ...................................................................... 49 2.4.4.1.1 Schätzung des Steigungsmaßes und des Achsenabschnittes .................. 50 2.4.4.1.2 Bestimmtheitsmaß und Residuen als wichtige Zusatzinformationen ..... 54 2.4.4.2 Lineare Mehrfachregression ................................................................... 58 Kontingenztafel ........................................................................................................ 62 Zeitreihenanalyse ..................................................................................................... 66 2.4.6.1 Saisonbereinigung .................................................................................. 68 2.4.6.2 Ermittlung des Trends ............................................................................ 74

3

Schließende Statistik

3.1 3.1.1 3.1.2 3.1.3

Grundlagen der Wahrscheinlichkeitstheorie ............................................................ 78 Zufallsexperiment und Ereignisse ............................................................................ 78 Operationen für Ereignisse ....................................................................................... 81 Wahrscheinlichkeitsdefinitionen .............................................................................. 83 3.1.3.1 Das Gesetz der großen Zahlen ................................................................ 83 3.1.3.2 Der „klassische“ Wahrscheinlichkeitsbegriff ......................................... 84 3.1.3.3 Die Wahrscheinlichkeitsaxiome von Kolmogorov ................................. 85 Rechnen mit Wahrscheinlichkeiten .......................................................................... 86 3.1.4.1 Der Additionssatz ................................................................................... 86 3.1.4.2 Der Multiplikationssatz .......................................................................... 87 3.1.4.3 Das Bayes'sche Theorem ........................................................................ 90

3.1.4

77

3.2 3.2.1 3.2.2

Die Kombinatorik .................................................................................................... 93 Permutation, Variation und Kombination ................................................................ 93 Der Entscheidungsbaum........................................................................................... 97

3.3 3.3.1

Diskrete Verteilungen .............................................................................................. 97 Grundlagen ............................................................................................................... 98 3.3.1.1 Wahrscheinlichkeits- und Verteilungsfunktion ...................................... 98 3.3.1.2 Erwartungswert und Varianz ................................................................ 100 Binomialverteilung................................................................................................. 100 Hypergeometrische Verteilung .............................................................................. 105 Poissonverteilung ................................................................................................... 109 Multinomialverteilung............................................................................................ 112

3.3.2 3.3.3 3.3.4 3.3.5 3.4 3.4.1

Stetige Verteilungen ............................................................................................... 114 Grundlagen ............................................................................................................. 114 3.4.1.1 Dichte- und Verteilungsfunktion .......................................................... 114

Inhalt

3.4.2 3.4.3 3.4.4 3.4.5 3.4.6

XI 3.4.1.2 Erwartungswert und Varianz ................................................................116 Die Normalverteilung/Standardnormalverteilung .................................................. 116 Die Gleichverteilung .............................................................................................. 121 Die Dreiecksverteilung ........................................................................................... 124 Exponentialverteilung ............................................................................................ 126 Wichtige stetige Prüfverteilungen .......................................................................... 129 3.4.6.1 t-Verteilung...........................................................................................130 3.4.6.2 χ2-Verteilung .........................................................................................130 3.4.6.3 F-Verteilung..........................................................................................131

3.5

Approximationen .................................................................................................... 131

3.6 3.6.1 3.6.2 3.6.3

Schätzen und Testen ............................................................................................... 135 Vorüberlegungen .................................................................................................... 135 Ein einführendes Beispiel ....................................................................................... 137 Statistisches Schätzen ............................................................................................. 140 3.6.3.1 Überblick über wichtige Konfidenzintervalle .......................................140 3.6.3.2 Konfidenzintervall für das arithmetische Mittel bei bekannter Varianz .................................................................................................142 3.6.3.3 Konfidenzintervall für das arithmetische Mittel bei unbekannter Varianz .................................................................................................143 3.6.3.4 Konfidenzintervall für den Anteilswert ................................................144 3.6.3.5 Konfidenzintervall für die Differenz zweier arithmetischer Mittel ......146 3.6.3.6 Konfidenzintervall für die Differenz zweier Anteilswerte....................147 3.6.3.7 Konfidenzintervall für den Quotienten zweier Varianzen ....................148 3.6.3.8 Konfidenzintervall für die Regressionskoeffizienten ...........................150 3.6.3.9 Bestimmung des notwendigen Stichprobenumfangs ............................153 3.6.3.9.1 Stichprobenumfang für die Bestimmung des arithmetischen Mittels ...153 3.6.3.9.2 Stichprobenumfang für die Bestimmung des Anteilswertes .................154 3.6.3.10 Einseitiges Konfidenzintervall am Beispiel des Value at Risk .............154 3.6.3.11 Wünschenswerte Eigenschaften und Konstruktionen von Schätzfunktionen ..................................................................................157 3.6.3.11.1 Wünschenswerte Eigenschaften von Schätzfunktionen ........................157 3.6.3.11.2 Verfahren zur Konstruktion von Schätzfunktionen ..............................159 Statistisches Testen................................................................................................. 162 3.6.4.1 Grundgedanken statistischer Testverfahren ..........................................162 3.6.4.1.1 Das Prüfen eines fairen Würfels ...........................................................162 3.6.4.1.2 Das Aufstellen von Hypothesen ...........................................................164 3.6.4.1.3 Bestimmung des Signifikanzniveaus ....................................................164 3.6.4.1.4 Einseitige und zweiseitige Tests ...........................................................165 3.6.4.1.5 α-Fehler und β-Fehler ...........................................................................165 3.6.4.1.6 Vorgehensweise beim statistischen Testen ...........................................166 3.6.4.2 Testverfahren ........................................................................................166 3.6.4.2.1 Überblick über wichtige Testverfahren ................................................166 3.6.4.2.2 Parametertests .......................................................................................168 3.6.4.2.2.1 Test für das arithmetische Mittel bei bekannter Varianz ......................168

3.6.4

XII

Inhalt 3.6.4.2.2.2 Test für das arithmetische Mittel bei unbekannter Varianz .................. 169 3.6.4.2.2.3 Test des Anteilswertes .......................................................................... 170 3.6.4.2.2.4 Zweistichprobentest für die Differenz arithmetischen Mittel ............... 171 3.6.4.2.2.5 Zweistichprobentest für die Differenzen zweier Anteilswerte ............. 172 3.6.4.2.2.6 Zweistichprobentest für den Quotienten zweier Varianzen .................. 174 3.6.4.2.3 Verteilungstests .................................................................................... 175 3.6.4.2.3.1 χ2-Anpassungstest ................................................................................. 175 3.6.4.2.3.2 Test des Korrelationskoeffizienten ....................................................... 180 3.6.4.2.3.3 Test der Regressionskoeffizienten ........................................................ 181 3.6.4.2.3.4 Der χ2-Unabhängigkeitstest .................................................................. 182

4

Fallstudien

185

5

Lösungen zu den Fallstudien

209

6

Abbildungsverzeichnis

279

7

Griechisches Alphabet

283

8

Statistische Tabellen

285

8.1

Tabelle der Binomialverteilung für ausgewählte Parameter .................................. 285

8.2

Tabelle der Poissonverteilung für ausgewählte Parameter ..................................... 287

8.3

Tabelle der Standardnormalverteilung ................................................................... 289

8.4

Tabelle der Chi-Quadratverteilung......................................................................... 291

8.5

Tabelle der Student-Verteilung .............................................................................. 292

8.6

Tabelle der F-Verteilung für das 95%-Quantil....................................................... 293

9

Literaturverzeichnis

295

10

Stichwortverzeichnis

297

1

Einführung

1.1

Motivation und Zielsetzung des Buches

Es war ein grauer Novembertag, der so ganz zu meiner Stimmung passte. Ich war auf dem Weg zu meinem Bankberater und wollte mich über seine vor zwei Jahren ausgesprochene Aktienempfehlung beschweren. Damals investierte ich mein gesamtes Vermögen, immerhin 10.000,- €, in ein vom ihm angepriesenes Wertpapier. Jetzt, exakt zwei Jahre später, war mein ursprüngliches Vermögen auf 8.500,- € geschmolzen. Mein Berater empfing mich mit einem strahlenden Gesicht. „Herzlichen Glückwunsch! Sie haben eine Durchschnittsrendite von +10% erzielt und damit meine kühnsten Erwartungen übertroffen! Nach dem ersten Jahr hatte Ihr Depot einen Wert von 17.000,- €, was einer Verzinsung von 70% entspricht, im zweiten Jahr ist der Depotwert um 50% auf 8.500,- € gesunken. +70% und -50% ergibt im Schnitt +10%!“ Überglücklich fiel ich nach dieser freudigen Nachricht meinem Bankberater um den Hals, leerte mit ihm eine Flasche Sekt und fuhr zufrieden wieder nach Hause. Ich vergaß zu erwähnen, dass ich an diesem Tag weitere 2.000,- € in einen todsicheren Tipp des Beraters meines Vertrauens investierte. Der Mann versteht schließlich was von seinem Geschäft! Zugegeben, die Geschichte ist frei erfunden, aber nicht so abwegig, wie sie auf den ersten Blick zu sein scheint. Wir werden tagtäglich durch die Fülle der Nachrichten, sei es über das Fernsehen, das Internet oder die Printmedien mit unzähligen Informationen versorgt, so dass es nahezu unmöglich ist, Wichtiges vom Unwichtigen zu trennen bzw. zu durchschauen, ob eine Aussage überhaupt auf einer fundierten und nachvollziehbaren Grundlage beruht. So wie obiger Bankberater offensichtlich arithmetisches mit geometrischem Mittel verwechselte, gibt es eine ganze Menge von statistischen Fehlerquellen, die, ob bewusst oder unbewusst, zu Falschaussagen oder Fehlinterpretationen führen (können). Im nächsten Kapitel werden eine Reihe von potenziellen Fehlern bzw. Möglichkeiten der Ergebnisbeeinflussungen aufgegriffen. Genau hier setzt die Zielsetzung des Buches an. Die Studierenden sollen nach der Lektüre in der Lage sein, ein gewisses Gefühl für Daten, deren Quellen und „Manipulationsmöglichkeiten“ zu entwickeln. Ferner können sie die Werkzeuge im Bereich der deskriptiven und schließenden Statistik richtig anwenden und die entsprechenden Schlussfolgerungen ziehen. Somit wird es ihnen möglich, mit fortschreitender Studiendauer betriebs- und volkswirtschaftliche Fragestellungen statistischer Art selbständig

2

1 Einführung

lösen zu können. Gleiches gilt natürlich auch für den Praktiker, der möglicherweise des Öfteren vor quantitativen Fragestellungen steht und diese zufrieden stellend lösen muss.

1.2

Was sind die häufigsten Fehler von Statistiken?

Im Rahmen von statistischen Untersuchungen kann man eine Reihe von bewussten oder unbewussten Fehlern begehen, die dann zwangsläufig zu unseriösen bzw. falschen Statistiken und Schlussfolgerungen führen.1 1. Fehlerquelle: Bereits die Zahlen sind falsch erhoben Bspw. ist die Aussage, dass es in der Bundesrepublik Deutschland 82.110.097 Einwohner gibt, spätestens beim Druck der Zahl falsch, weil zwischenzeitlich, rein biologisch bedingt, Menschen gestorben und geboren sind. 2. Fehlerquelle: Das gewünschte Ergebnis bestimmt den statistischen Test In einer Fernsehshow mit Günther Jauch wurde der „Beweis“ erbracht, dass die junge Generation besser als das ältere Semester die deutsche Rechtschreibung beherrscht. Man ließ jeweils ca. 15 ältere und jüngere Menschen ein Kurzdiktat schreiben und wertete dieses aus. Dabei enthielt das Diktat eine Fülle von Anglizismen und Begriffen aus dem Informatik/Internetbereich. Der Ausgang des Tests war also gewissermaßen durch die Textvorgabe vorprogrammiert und somit keinesfalls ein stichhaltiger Beweis für obige Behauptung! 3. Fehlerquelle: Ergebnisse werden irreführend dargestellt Die folgenden Graphiken zeigen jeweils die Entwicklung eines Aktienfonds über 10 Jahre. 105

120

104

100

103 80 102 60 101 40 100

20

99

98

0 1

2

3

4

5

6

7

8

9

10

1

2

3

4

5

6

7

8

Abbildung 1: Entwicklung eines Aktienfonds 1

Vergleiche hierzu auch Krämer W., München, 2000 bzw. Krämer W., Frankfurt/New York, 2010.

9

10

1.2 Was sind die häufigsten Fehler von Statistiken?

3

Es liegt die Vermutung nahe, dass es sich um ganz grundsätzlich unterschiedliche Fonds handelt. Während der linke Wert innerhalb des 10-jährigen Zeitintervalls auf der Stelle zu treten scheint, deutet das rechte Chart auf einen Outperformer hin. Weit gefehlt, wie die Achsenbeschriftung zu erkennen gibt! Es handelt sich um den gleichen Fonds, der sich innerhalb der 10 Jahre um gerade einmal 4% „entwickelt“ hat. Man kann also durch geschickte Wahl der Achsendimension eine stationäre Entwicklung „durch die Decke gehen lassen“ und umgekehrt. Möglicherweise wird auch deshalb die Achsenbeschriftung in wissenschaftlichen oder sonstigen Beiträgen schon einmal „vergessen“. 4. Fehlerquelle: Es werden Äpfel mit Birnen verglichen Vergleicht man bspw. die Arbeitslosenquoten verschiedener Länder, so ist das Zustandekommen der Arbeitslosenquote, verstanden als Quotient von Arbeitslosen zu den Erwerbspersonen, nicht zwangsläufig identisch. Die Frage, welche Personen zu den Arbeitslosen, also zur Zählergröße, und welche zu den Erwerbspersonen, also zur Nennergröße gezählt werden, unterscheidet sich in den Ländern ganz grundsätzlich voneinander. Selbst innerhalb eines Landes scheiden sich die Geister. So konnte man 1986 in Großbritannien durch Vergrößerung des Terminus „Erwerbspersonen“, also des Nenners der Arbeitslosenquote, über Nacht die Arbeitslosenquote senken, ohne auch nur einen Arbeitslosen weniger zu haben. 5. Fehlerquelle: Datenbasis und die entsprechende Aussage stehen in keinem Bezug zueinander Im Rahmen einer Untersuchung zu volkswirtschaftlichen Faktoren der Europäischen Union wurde einmal behauptet, dass die Luxemburger den mit Abstand größten Zigarettenkonsum hätten. Man teilte einfach die verkauften Zigaretten durch die Einwohnerzahl und beachtete dabei offensichtlich nicht, dass viele Ausländer, also Nicht-Luxemburger, infolge der preiswerten Zigaretten Großeinkäufe in Luxemburg tätigen. 6. Fehlerquelle: „Die Illusion der Präzision“ Nach einem Urteil des Bundesfinanzhofes akzeptiert das Finanzamt, sofern „nicht nur ein geringes Maß an Wahrscheinlichkeit“ für deren Echtheit spricht, Ausgaben für Büromaterial, ohne dass Belege vorgelegt werden müssen. Welche Summe reichen Sie beim Finanzamt ein? 60,- €, was so ähnlich klingt wie „etwa 60,- € aber so genau weiß ich es nicht mehr“ oder 58,24 €? I.d.R glauben wir krummen Zahlen oder sehr genauen Angaben ungeprüft, während wir bei glatten Zahlen eher misstrauisch werden. Indem bewusst mit Nachkommastellen gerechnet wird, gibt man dem Betrachter zu verstehen, dass man besonders sauber recherchiert hat bzw. die Daten gut im Griff hat. 7. Fehlerquelle: Welcher relative Anteil? Eine Statistik zeigt die Anzahl der Besteigungen der 14 höchsten Berge dieser Erde sowie die Anzahl der Toten bis zum 31.12.2005. Dabei wurde die Tabelle nach der absoluten/relativen Anzahl der Toten gegliedert.

4

1 Einführung Berg

Besteigungen

Everest Nanga Parbat K2 Annapurna Dhaulagiri Manaslu Kanchenjunga Chu Oyu Makalu Hidden Peak Shisa Pagma Broad Peak Gasherbrum II Lhotse Anzahl

2.561 265 249 142 350 240 195 2.227 225 252 222 269 708 279 8.184

absolut 192 62 60 58 56 52 40 37 24 23 19 18 18 9 668

Tote relativ 28,74% 9,28% 8,98% 8,68% 8,38% 7,79% 5,99% 5,54% 3,59% 3,44% 2,84% 2,70% 2,70% 1,35%

anteilig 7,50% 23,40% 24,10% 40,85% 16,00% 21,67% 20,51% 1,66% 10,67% 9,13% 8,56% 6,69% 2,54% 3,23%

Abbildung 2: Relative Anteile

Würde nun ein Zeitungsbericht den Mount Everest zum gefährlichsten Berg erklären, da er mit 192 Personen (absolut) und 28,74% (relativ) die meisten Toten zu verzeichnen hat, wäre dies sicherlich nicht falsch. Eine Gliederung nach den anteiligen Toten bezogen auf die Anzahl der Besteigungen aber bringt ein gänzlich anderes Resultat. So zeigt die letzte Spalte mit der Annapurna eine, bezogen auf die Anzahl der Besteigungen, höchste Todesrate von 40,85%, gefolgt vom K2 (24,10%) usw. Was aber ist in diesem Falle „richtig“? Sicherlich kommt es bei der Frage, ob der relative Anteil bezogen auf die Gesamtzahl oder der relative Anteil bezogen auf das jeweilige Merkmal zugrunde gelegt werden sollte, etwas auf die Sichtweise des Betrachters an. Obige Fehlerquellen zeigen nur bruchstückhaft, wie schnell man sich durch Aussagen, seien sie verbaler oder schriftlicher Natur, in die Irre führen lassen kann, was im täglichen Leben auch sehr intensiv ausgenutzt wird! Wir halten als Fazit fest:  Mit wohl wenigen Instrumentarien kann man so stark manipulieren wie mit der Statistik.  Meinungen, Stimmungen, ja sogar politische und wirtschaftspolitische Entscheidungen werden aufgrund von statistischen Aussagen getroffen.  Deshalb ist es umso wichtiger, die möglichen Fehlerquellen, die Analysearten und die Verbindungen zu kennen, um „richtige“ Statistiken zu erzeugen bzw. um die „falschen“ zu entlarven bzw. zu vermeiden.

1.3 Die Bedeutung der Fragestellung

5

 Jede Statistik sollte immer kritisch hinterfragt werden: Wer ist der Adressat? Was soll mit der Statistik bewirkt werden – was ist das Ziel? Steht nicht schon vor der Erhebung das Ergebnis fest?

1.3

Die Bedeutung der Fragestellung

1.3.1

Deskriptive Statistik versus schließende Statistik

Entscheidend bei statistischen Erhebungen ist immer die Art der Fragestellung und die damit verbundene Verfügbarkeit der Daten. Aus diesem Grund trennt man in den theoretischen Abhandlungen grundsätzlich die beschreibende (deskriptive) Statistik von der schließenden Statistik, auch Wahrscheinlichkeitstheorie genannt. Liegen alle Daten, zu denen eine Aussage gemacht werden soll bereits vor, so geht es „nur“ noch um die Art der Aufbereitung und das entsprechende statistische Verfahren, das zu den Daten eine interpretierbare Kennzahl liefern soll. Wir befinden uns dann im Bereich der deskriptiven Statistik. Diese reicht von dem reinen Aufbereiten von Zahlen über graphische Darstellungen bis hin zu statistischen Berechnungen, wie bspw. der Korrelations- oder Regressionsanalyse. Häufig ist die Problematik aber anders gelagert. Da es aus vielerlei Gründen nicht immer möglich oder sinnvoll ist, die ganze Grundgesamtheit zu untersuchen (Vollerhebung), beschränkt man sich oft auf die Untersuchung eines Teils dieser Grundgesamtheit (Stichprobe) und versucht, aus den in dieser Teilmenge vorgefundenen Eigenschaften auf die Eigenschaften der Grundgesamtheit zu schließen. Dies ist der Bereich der schließenden Statistik. Er ist für den Anfänger für gewöhnlich schwieriger nachvollziehbar und etwas komplexer in den Rechenmethoden als der deskriptive Zweig der Statistik. „Es ist mir noch heute rätselhaft, dass man herausbringt, was sechzig Millionen Menschen denken, wenn man zweitausend Menschen befragt. Erklären kann ich das nicht. Es ist eben so.“ – (Elisabeth NoelleNeumann, Meinungsforscherin). Folgende Beispiele mögen zur Unterscheidung von Grundgesamtheit und Stichprobe dienen.

6

1 Einführung Beispiel

Grundgesamtheit

Stichprobe

Bundestagswahl

alle abgegebenen gültigen Zweitstimmen

2.000 befragte Personen aus insgesamt 10 Wahllokalen

IHK-Mitgliedsbefragung

alle Handwerksbetriebe der Ostalb

150 mittelständische Unternehmen aus dem Landkreis Aalen

Qualitätskontrolle

alle 120.000 produzierten Glühlampen eines Tages

1.200 Lampen aus unterschiedlichen Losgrößen

Kaufverhalten

alle Jugendliche zwischen 14 und 18 Jahren

1.000 Jugendliche aus insgesamt 8 Städten

Abbildung 3: Grundgesamtheit und Stichprobe

Es ist unmittelbar ersichtlich, warum bei obigen Beispielen keine Vollerhebung durchgeführt werden kann. Möchte man bspw. am Wahltagabend kurz vor 18:00 Uhr bereits einen Überblick über den Ausgang der Wahl haben (Hochrechnung), so bedient man sich einer Stichprobe von 2.000 so genannten repräsentativen Wählern. Diese wurden nach dem Urnengang nach ihrer Stimmenabgabe befragt und lassen einen Rückschluss auf das Wahlverhalten aller Bundesbürger zu. Eine Vollerhebung wäre sowohl aus Zeit- als auch Kostengründen nicht durchführbar. Die gleichen Gründe sprechen bei der IHK-Mitgliedsbefragung und dem Kaufverhalten von Jugendlichen für eine (repräsentative) Stichprobe. Das Beispiel aus der Qualitätskontrolle zeigt neben dem Zeit- und Kostenfaktor noch einen dritten Grund, der gegen eine Vollerhebung spricht. Würde man alle 120.000 Glühlampen einem Dauertest unterziehen, um die geforderte Eigenschaft zu testen (bspw. die Überprüfung der zugesagten Mindestlebensdauer von 1.000 Stunden), so hätte man zwar die Qualität aller Lampen überprüft, gleichzeitig aber die gesamte Losgröße aufgrund der Vollerhebung vernichtet. Somit spricht als dritter Faktor die Zerstörung des Untersuchungsgegenstandes gegen eine Vollerhebung. Da eine Teilerhebung immer nur einen (Bruch)Teil der Grundgesamtheit abbildet, ist bei der Stichprobenbildung eine bedeutsame Grundanforderung zu erfüllen, nämlich die Anforderung der Repräsentativität.

1.3.2

Repräsentative Stichproben und ihre Aussagekraft

Kann aufgrund theoretischer Überlegungen von der Verteilung der Merkmalsausprägungen in der Stichprobe auf jene in der Grundgesamtheit geschlossen werden, so nennt man diese Stichprobe repräsentativ für die Grundgesamtheit. Ohne eine repräsentative Stichprobe ist somit keine gehaltvolle Aussage über die Grundgesamtheit möglich.2

2

Zu den Erhebungsarten von Daten vgl. auch Fahrmeir L./Künstler R./Pigeot I./Tutz G., 2009, S. 23ff.

1.3 Die Bedeutung der Fragestellung

7

Ist eine Stichprobe in Bezug auf alle Merkmale der Grundgesamtheit repräsentativ, so spricht man von globaler Repräsentativität, ist sie dies nur bezüglich bestimmter Merkmale, so spricht man von spezifischer Repräsentativität. Die Wahl der Repräsentativität ist vom Untersuchungsgegenstand und den Vorkenntnissen über die zu überprüfenden Hypothesen abhängig. Eine Stichprobe ist sozusagen ein Miniaturbild der Grundgesamtheit. Je besser dieses Bild ist, desto besser lassen sich Rückschlüsse auf die Grundgesamtheit ziehen. Neben der Repräsentativität ist der Umfang der Stichprobe ganz entscheidend. Hierauf wird später noch näher einzugehen sein. Bei den (repräsentativen) Stichproben unterscheidet man die Fälle: Einfache Zufallsstichprobe

Zufallsstichprobe

Stichprobe

Geschichtete Zufallsstichprobe

Klumpenstichprobe

Ad hoc Stichprobe Nichtzufällige Stichprobe Quotenstichprobe Abbildung 4: Stichprobenarten

Die Zufallsstichprobe ist dadurch charakterisiert, dass jedes Element der Grundgesamtheit mit gleicher Wahrscheinlichkeit in die Stichprobe aufgenommen werden kann.  Die einfache Zufallsstichprobe empfiehlt sich dann, wenn über die Verteilung der für die Untersuchung relevanten Merkmale wenig oder gar nichts bekannt ist. Dabei sind alle relevanten Elemente in einer Liste/Datei oder allgemein „Urne“ vorhanden, aus denen dann bestimmte Elemente per Zufall ausgewählt werden, z.B. mit Hilfe von Zufallszahlen oder per Los.  Die geschichtete Stichprobe wird angewendet, wenn man die Merkmale kennt, die die untersuchungsrelevanten Merkmale (wie etwa Geschlecht, Einkommen etc.) beeinflus-

8

1 Einführung

sen. Es empfiehlt sich dann, eine in Bezug auf diese Determinanten repräsentative Stichprobe zu ziehen, d.h. die Verteilung dieser Merkmale in der Population auch in der Stichprobe abzubilden. Die Auswahl innerhalb der Schichten erfolgt wiederum zufällig.  Eine Klumpenstichprobe besteht aus mehreren zufällig ausgewählten Teilmengen, die schon vorgruppiert sind. Diese Teilmengen werden dann vollständig erhoben/ ausgewertet. Die nichtzufällige Stichprobe zeichnet sich durch eine entweder vollkommen willkürliche oder ganz bewusste Auswahl der Elemente aus der Grundgesamtheit aus.

 Bei der Ad hoc Stichprobe erfolgt die Auswahl der Elemente aufs Geratewohl, also ohne Systematik vollkommen willkürlich. Da hier die Repräsentativität nicht zwingend gewährleistet wird, scheidet sie als wissenschaftliches Instrumentarium aus.  Die Quotenstichprobe ist eine bewusste Auswahl von Elementen aus der Grundgesamtheit. Dies unterscheidet sie von der geschichteten Stichprobe. Sie findet Anwendung, wenn man die Merkmale, bezüglich derer die Stichprobe repräsentativ sein soll, kennt. Die Stichprobe wird dann so zusammengestellt, dass die relevanten Merkmale der Stichprobenverteilung der Verteilung dieser Merkmale in der Grundgesamtheit entsprechen. Folgende Beispiele sollen die Unterschiede noch einmal verdeutlichen: Stichprobe Einfache Zufallsstichprobe

Geschichtete Stichprobe

Klumpenstichprobe Ad hoc Stichprobe

Quotenstichprobe

Abbildung 5: Arten von Stichproben

Beispiel Befragung von 1.000 Haushalten, die man aus einer Einwohnerstatistik einer aus 1 Mio. Personen bestehenden Stadt per Zufallsgenerator ausgelost hat Ein Bundesland besteht aus 55% Katholiken, 38% Protestanten und 7% Konfessionslosen. Es wird eine Stichprobe vom Umfang 1.000 gezogen, in der 550 Katholiken, 380 Protestanten und 70 Konfessionslose sind. Diese werden innerhalb ihrer „Schicht“ per Zufallsgenerator ausgewählt Eine Schulklasse wird aus allen Schulklassen ausgewählt und dann vollständig befragt Willkürliche Straßenbefragung eines Interviewers von 100 vorbeikommenden Passanten Da man aufgrund der Bevölkerungsstatistik weiß, dass der Anteil der Studenten in einer Stadt 15% beträgt, wird bei einer Befragung in dieser Stadt nach dem Kaufverhalten der Anteil der befragten Studenten in der Stichprobe ebenfalls auf 15% festgelegt

1.4 Die Bedeutung der Datenart

9

Wurde aus den obigen Verfahren das „geeignete“ herausgesucht und eine Stichprobe gezogen, so bedeutet dies nicht zwangsläufig, dass man durch die Stichprobe eine hundertprozentig verlässliche Aussage die Grundgesamtheit betreffend machen kann. In diesem Zusammenhang sind die beiden Begriffe Signifikanz und Konfidenzintervall (Konfidenzniveau) von Bedeutung, die später im Bereich des Schätzens und Testens genauer untersucht werden. Die Signifikanz, oder besser gesagt, das Signifikanzniveau erlaubt Aussagen, mit welcher Wahrscheinlichkeit der Rückschluss von einem Wert in einer Stichprobe auf den entsprechenden Wert in der Grundgesamtheit kein durch Zufall verursachter Irrtum ist. Allgemein definiert man die Signifikanz auf dem 5% oder 1%-Niveau, wofür es aber keine mathematisch-statistische Begründung gibt. Dadurch hat man dann das so genannte Konfidenzintervall bestimmt, also den 95% bzw. 99%-Vertrauensbereich, indem der „wahre“ Wert der Grundgesamtheit liegt. Beispiel: Es soll die zeitliche wöchentliche Studienbeanspruchung von 1.300 BWL-Studenten einer Hochschule des Ostalbkreises ermittelt werden. Dazu werden 120 Studenten zufällig befragt (einfache Zufallsstichprobe). Die Stichprobe ergab eine durchschnittliche Belastung von 42,8 Stunden bei einer so genannten Standardabweichung von 11,3 Stunden. Bei einem vordefinierten Signifikanzniveau von 5% und dem daraus abgeleiteten (zentralen) Konfidenzintervall von 95% lässt sich dann die Aussage treffen, dass mit einer Wahrscheinlichkeit von 95% (Irrtumswahrscheinlichkeit von 5%) die durchschnittliche wöchentliche Studienbelastung aller 1.300 BWL-Studenten im Intervall von 40,75 bis 44,84 Stunden liegt.3

1.4

Die Bedeutung der Datenart

1.4.1

Unterscheidung nach der Skalierung

Wie noch zu zeigen sein wird, hat die Datenskalierung einen entscheidenden Einfluss auf das anzuwendende statistische Verfahren. Danach lassen sich drei Datenarten bzw. Arten von Merkmalen unterscheiden: qualitative, intensitätsmäßig abgestufte und quantitative Merkmale. Qualitative Merkmale können auf einer Nominalskala abgebildet werden. Der mögliche Messvorgang besteht darin, die Gleichheit bzw. Ungleichheit der Einheiten bezüglich der Merkmalsausprägung festzustellen. Diese Einheiten werden dann in einer Klasse zusammengefasst:

3

Diese Zusammenhänge bzw. Berechnungen werden zur gegebenen Zeit natürlich noch ausführlich behandelt und erläutert.

10 Qualitative Merkmale Geschlecht Religion Nationalität Farbe Beruf

1 Einführung Merkmalsausprägung weiblich, männlich katholisch, evangelisch etc. deutsch, englisch, französisch etc. rot, grün, blau, gelb etc. Bäcker, Metzger, Maurer etc.

Abbildung 6: Qualitative Merkmale

Intensitätsmäßig abgestufte Merkmale lassen sich an einer Ordinalskala abbilden. Der mögliche Messvorgang besteht darin, die Merkmalsausprägung vergleichen zu können. Diese Einheiten werden dann in einer Klasse zusammengefasst, es lassen sich somit Ränge, aber keine Abstände angeben. Intensitätsmäßig abgestufte Merkmale Schulnote Arbeitsleistung Kundenzufriedenheit Ausbildungsstand Alter

Merkmalsausprägung Noten 1-6 unter Norm, Norm, über Norm Notenskala 1-6; sehr gut bis unzufrieden Lehrling, Geselle, Meister Säugling, Kind, Jugendlicher, Erwachsener

Abbildung 7: Intensitätsmäßig abgestufte Merkmale

Am Beispiel der Schulnote wird die Problematik der ordinal skalierten Merkmale deutlich. So kann man zwar sagen, dass die Note 2 besser ist als die Note 4, die Aussage, 2 sei eine doppelt so gute Note wie 4 ist jedoch nicht möglich. Deshalb ist auch die Bildung von Notendurchschnitten aufgrund der ordinal skalierten Merkmale grundsätzlich problematisch. Quantitative Merkmale lassen sich an einer Kardinalskala abbilden. Sie ermöglicht im Gegensatz zur Ordinalskala nicht nur eine Reihenfolge der Merkmalsausprägung, sondern gestattet auch Aussagen bezüglich des Abstandes. Kommen für die quantitativen Merkmale nur bestimmte Zahlen der Zahlenskala in Betracht (vornehmlich die ganzen Zahlen), so spricht man von quantitativ diskreten Merkmalen, sind hingegen alle reellen Zahlen möglich, so handelt es sich um quantitativ stetige Merkmale.

1.4 Die Bedeutung der Datenart

11

Quantitativ diskrete Merkmale Kinder pro Haushalt Zahl der fehlerhaften Produkte

Merkmalsausprägung 1, 2, … Kinder 1, 2, … fehlerhafte Produkte

Quantitativ stetige Merkmale Temperatur Alter Körpergröße

Merkmalsausprägung Konkrete Temperatur in °C Konkrete Jahresangaben Konkrete Angaben bspw. in cm

Abbildung 8: Quantitative diskrete und stetige Merkmale

1.4.2

Unterscheidung nach der Stellung im Problem

Ebenso wie die Skalierung hat auch die Frage, welche Stellung die Variablen im Problem einnehmen, einen entscheidenden Einfluss auf das anzuwendende und mögliche statistische Verfahren. Dabei können drei Gruppierungen getroffen werden: Eine Variable kann Einflussgröße, Zielgröße oder eine gleichberechtigte Größe sein. Als Einflussgröße wird eine Variable bezeichnet, wenn sie eine oder mehrere andere Größen erklärt. Deshalb nennt sie der Statistiker häufig auch erklärende Variable. Synonyme Begriffe für die Einflussgröße sind exogene Variable (häufig in der Volkswirtschaftslehre benutzt), unabhängige Variable, x-Variable (mathematische Bezeichnung) oder aber Ursache. Das Gegenstück zur Einflussgröße ist die Zielgröße. Sie wird von der Einflussgröße erklärt und wird deshalb zu erklärende Variable genannt. Auch hierzu gibt es wiederum Synonyme. Diese sind endogene Variable (Volkswirtschaft), abhängige Variable, y-Variable (Mathematik), Ergebnis oder Wirkung. In der Praxis finden sich viele Beispiele für Einfluss- und Zielgröße. (1) S  f( i) 

Obige volkswirtschaftliche Funktion (1) beschreibt eine Beziehung, bei der das Sparen (S) der Wirtschaftssubjekte in Abhängigkeit vom Zinssatz (i) betrachtet wird. Der Zinssatz ist folglich die Einfluss-, das Sparverhalten die Zielgröße. Es ist davon auszugehen, dass sich beide Größen gleichläufig verhalten, was durch das positive Zeichen beim Zinssatz zum Ausdruck kommt. Die volkswirtschaftliche Annahme (Hypothese) lautet also, dass mit steigendem/sinkendem Zinssatz das Sparvolumen der Wirtschaftssubjekte ebenfalls steigt/sinkt, weil der Sparanreiz erhöht/reduziert wird. (2) I  f( i) 

Ähnlich zu (1) beschreibt (2) eine volkswirtschaftliche Funktion, bei der nun die Investitionen der Unternehmen (I) in Abhängigkeit vom Zinssatz (i) betrachtet werden. Entgegenge-

12

1 Einführung

setzt zu (1) ist hier jedoch davon auszugehen, dass sich beide Größen gegenläufig verhalten. Erhöhen die Banken also die Zinssätze, werden Kredite der Unternehmer teurer und somit die Investitionsneigungen der Unternehmer zurückgehen und umgekehrt. (3) C  f( Y , i) 



In Funktion (3) werden gleich zwei Beziehungen untersucht. So ist zu vermuten, dass mit steigendem Einkommen (Y) auch die Konsumneigung (C) der Wirtschaftssubjekte zunehmen wird, während bei steigenden Zinssätzen (i) das verfügbare Geld zugunsten des Sparens und damit zu Lasten der Konsumneigung verwendet wird. (4) K  f( I, M, P)  



Im Rahmen der betriebswirtschaftlichen Kostenfunktion (4) wird angenommen, dass mit steigendem Investitionsvolumen (I), steigendem Materialverbrauch (M) und steigenden Personalkosten (P) auch die Gesamtkosten (K) ansteigen werden. Stehen Variable gleichberechtigt nebeneinander, also ohne Ursache/Wirkungsbezug, so hat dies gravierende Auswirkungen auf den Einsatz möglicher statistischer Verfahren. Nachfolgend sind Beispiele genannt, bei denen man die eindeutige Beziehung zwischen abhängiger und unabhängiger Größe nicht angeben kann, bei denen man aber trotz allem statistische Aussagen machen möchte: Körpergröße – Körpergewicht Bauchumfang – Schuhgröße Armlänge – Kopfumfang Alle drei Beispiele machen deutlich, dass eine Einteilung in abhängige und unabhängige Variable nicht getroffen werden kann. Dennoch möchte man möglicherweise wissen, ob es bei untersuchten Personen eine Beziehung gibt zwischen bspw. der Armlänge und dem Kopfumfang. So ist zu vermuten, dass beide Variable positiv miteinander korrelieren, also Personen mit langen Armen tendenziell auch einen großen Kopfumfang besitzen.

1.4.3

Unterscheidung nach der zeitlichen Anordnung

Werden zu einem bestimmten Zeitpunkt mehrere Variable gleichzeitig betrachtet, so spricht man von einer Querschnittsbetrachtung und folglich von Querschnittsdaten. Werden hingegen eine oder mehrere Variable in aufeinander folgenden Zeitabschnitten (Perioden) betrachtet, liegt eine Längsschnittsbetrachtung vor, der Untersuchungsgegenstand sind Längsschnittsdaten.

1.4.4

Unterscheidung nach der Anzahl der Variablen

Nach der Anzahl der Variablen lassen sich univariate, bivariate und multivariate Fragestellungen unterscheiden. Bei der univariaten Fragestellung wird eine einzige Variable betrach-

1.4 Die Bedeutung der Datenart

13

tet. Handelt es sich um eine bivariate Fragestellung, sind zwei Variable der Untersuchungsgegenstand, während bei multivariaten Fragestellungen mehr als zwei Variable untersucht werden. Je nach Datenart eignen sich ganz unterschiedliche statistischen Verfahren, wie im weiteren Verlauf noch zu zeigen sein wird.

2

Beschreibende (deskriptive) Statistik

Die deskriptive (beschreibende) Statistik wird in diesem Buch ein drei Blöcke unterteilt: Im ersten Block werden beispielhaft Möglichkeiten aufgezeigt, wie erfasste Daten in den so genannten Urlisten auf einfache Art und Weise graphisch so verdichtet werden, dass bereits auf den ersten Blick Eindrücke von der vorliegenden Datenkonstellation gewonnen werden können. Im zweiten Block werden mit den Lage- und Streuungsparameter die Grundsteine gelegt, die für die anschließenden statistischen Verfahren benötigt werden. Insbesondere sind dies das arithmetische Mittel als wohl bedeutsamster Lageparameter sowie Varianz und Standardabweichung als Streuungsparameter. Im dritten Block werden die wichtigsten statistischen Verfahren vorgestellt, die im Rahmen der deskriptiven Statistik zur Anwendung kommen. Bei den nominal skalierten Merkmalen ist dies die Kontingenztafel (χ2-Maß), der Rangkorrelationskoeffizient findet Anwendung bei ordinalen Daten und letztlich können bei kardinal vorliegenden Merkmalen Zeitreihenanalyse, Korrelation und Regressionsverfahren eingesetzt werden.

2.1

Graphische Darstellungen

Neben tabellarisch aufbereiteten Daten haben Graphiken die größte praktische Relevanz in unserem Leben. Zeitungen sind voll davon, denn „ein Bild sagt mehr als tausend Worte“.

2.1.1

Graphische Darstellung einer qualitativen Variablen

Im Rahmen der Datenarten wurden die Unterschiede zwischen qualitativen und quantitativen Variablen erklärt. Es wurde deutlich, dass im Rahmen von qualitativ vorliegenden Daten die Aussagekraft aufgrund der fehlenden Messbarkeit eingeschränkt ist. Dennoch ist es möglich, qualitative Daten in Gruppen einzuteilen, um einem interessierten Personenkreis Informationen zu vermitteln.

16

2 Beschreibende (deskriptive) Statistik

Im anschließenden Beispiel wurden im Rahmen eines Unternehmensforums von kleinen und mittelständischen Betrieben die anwesenden Geschäftsführer nach ihrer Unternehmensrechtsform befragt. Die Ergebnisse der Befragung spiegeln sich in der Urliste wider: Rechtsform

Anzahl

Einzelunternehmung (EU)

IIIIIIIIIIIII

Offene Handelsgesellschaft (OHG)

IIIIIIIIIIIIIII

Kommanditgesellschaft (KG)

IIIIIIIIIIIIIIIIIIIIII

Gesellschaft mit beschränkter Haftung (GmbH)

IIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIIII

Aktiengesellschaft (AG)

IIIIIIIIIIII

Sonstige4

IIIIIII

Abbildung 9: Urliste einer qualitativen Variable

Worin steckt die Problematik einer solchen Urliste? Sicherlich erkennt man auf den ersten Blick, dass die GmbH als Rechtsform am häufigsten genannt wurde, gefolgt von der KG usw. Um dem Betrachter jedoch möglichst schnell einen noch genaueren Überblick zu verschaffen, muss die Urliste weiter aufbereitet werden. Strichliste EU OHG KG GmbH AG Sonstige

IIIII IIIII III IIIII IIIII IIIII IIIII IIIII IIIII IIIII II IIIII IIIII IIIII IIIII IIIII IIIII IIIII IIIII I IIIII IIIII II IIIII II

absolut ni 13 15 22 41 12 7 n = 110

Häufigkeit relativ ni/n in % 0,118 11,8% 0,136 13,6% 0,200 20,0% 0,373 37,3% 0,109 10,9% 0,064 6,4% 1,000 100,0%

Abbildung 10: Absolute und relative Häufigkeiten

Jetzt wird dem Betrachter deutlich, dass offensichtlich insgesamt n =110 Unternehmen befragt wurden, von denen n4 = 41 (37,3%) in der Rechtsform einer GmbH geführt werden, gefolgt von n3 = 22 (20%) als KG usw. Noch klarer und übersichtlicher ist die visuelle Auf-

4

Z.B. GmbH & Co. KG, KGaA

2.1 Graphische Darstellungen

17

bereitung von Urlisten in unterschiedliche Graphikformen, wie bspw. in das Stabdiagramm oder das Kuchen-/Kreisdiagramm. 5 Sonstige 6% AG 11%

Sonstige

EU 12%

OHG 14%

AG

GmbH

KG

OHG

KG 20%

GmbH 37%

EU 0

5

10

15

20

25

30

35

40

45

Abbildung 11: Graphische Darstellung von qualitativen Variablen

2.1.2

Graphische Darstellung einer quantitativen Variablen

Ebenso wie bei den qualitativen Merkmalen hat man bei quantitativen Daten die Problematik, eine unübersichtliche große Urliste in eine übersichtliche Form zu transformieren. Die nachstehende Urliste beinhaltet die Eigenkapitalquoten (Verhältnis von Eigenkapital zu Gesamtkapital) von 50 Unternehmen: 9 19 16 26 21

61 48 18 8 10

12 5 24 43 14

Eigenkapitalquoten in % 16 7 32 24 15 21 29 23 9 15 56 69 18 20 11 9 19 18 27 37

10 41 13 16 31

27 3 24 17 16

12 51 31 27 14

Abbildung 12: Eigenkapitalquoten in %

Auch hier ist es praktisch unmöglich, ohne weitere Aufbereitung schnell aufschlussreiche Informationen zu ziehen. Wie im letzten Punkt könnte man im Prinzip auch hier eine Strichliste aufstellen, wie oft welcher Wert auftritt. Wegen der Vielzahl verschiedener Werte ist aber auch das nicht ausreichend übersichtlich.

5

Siehe Fallstudie 1.

18

2 Beschreibende (deskriptive) Statistik

Es ist besser, man teilt den Wertebereich in Klassen ein. Dabei ist es Ermessenssache, wie viele Klassen und wie groß die Klassen gewählt werden. Je mehr Klassen gebildet werden, desto weniger Informationen gehen verloren, desto unübersichtlicher wird aber auch das Datenmaterial. Als Empfehlung für die Klassenanzahl und die Klassenbreite mag richtungweisend sein: Klassenanzahl = Wurzel aus den Beobachtungen =

n

Klassenbreite = (größter Wert – kleinster Wert)/Klassenanzahl Im Beispiel würden sich also 50 ≈ 7 Klassen bei einer Klassenbreite von (69-3)/7 ≈ 10 anbieten. Die daraus abgeleitete Tabelle mit graphischer Darstellung verschafft sofort einen guten Überblick: 6 Eigenkapitalquoten von bis 0 10 11 20 21 30 31 40 41 50 51 60 61 70

Häufigkeit absolut relativ 9 0,18 19 0,38 11 0,22 4 0,08 3 0,06 2 0,04 2 0,04 50 1,00

Summenhäufigkeit absolut relativ7 9 0,18 28 0,56 39 0,78 43 0,86 46 0,92 48 0,96 50 1,00

Abbildung 13: Absolute und relative Summenhäufigkeiten

Eigenkapitalquoten in % absolute Häufigkeit

Eigenkapitalquoten in % relative Summenhäufigkeit

19

20 15

80%

11

9

10

100%

60% 4

5

3

40% 2

2

20%

0

0% 0 - 10

´11 - 20

21 - 30

31 - 40

41 - 50

51 - 60

61 - 70

bis 10

bis 20

bis 30

bis 40

bis 50

Abbildung 14: Graphische Darstellung von quantitativen Variablen

6

Siehe Fallstudien 2 und 3.

7

Die relative Summenfunktion nennt man in der Statistik auch empirische Verteilungsfunktion.

bis 60

bis 70

2.1 Graphische Darstellungen

2.1.3

19

Graphische Darstellung zweier quantitativer Variablen

Häufig werden zu einem Objekt mehrere Merkmale erfasst. Auch dieser Zusammenhang lässt sich grafisch darstellen. Im Ausgangsbeispiel wurde zu 10 Unternehmen nicht nur die Eigenkapitalquote, sondern auch der Gewinn des letzten Jahres erfasst. Unternehmen 1 2 3 4 5 6 7 8 9 10

Eigenkapitalquote in % 7 9 10 15 18 24 27 32 51 57

Gewinn in Tsd. € 100 70 240 310 500 420 745 1.210 1.081 1.324

Gewinn in T€

Abbildung 15: Beziehung von quantitativen Variablen

1400 1200 1000 800 600 400 200 0 0

20

40

60

Eigenkapitalquote in %

Abbildung 16: Streuungsdiagramm

Die Tabelle, insbesondere aber auch die Graphik zeigt, dass es offensichtlich einen (positiven) Zusammenhang zwischen der Eigenkapitalquote und dem Gewinn gibt. Unternehmen

20

2 Beschreibende (deskriptive) Statistik

mit hohen Gewinnen haben tendenziell auch eine hohe Eigenkapitalquote während umgekehrt die Eigenkapitaldecke bei ertragsschwachen Unternehmen ebenfalls gering ist. An späterer Stelle wird mit der Korrelationsanalyse ein statistisches Verfahren beschrieben, bei dem zwei Merkmale gegenübergestellt werden, die gleichberechtigt nebeneinander stehen. Hingegen behandelt die Regressionsanalyse einen Zusammenhang zwischen zwei (oder mehreren) Merkmalen, bei denen eine Abhängigkeit besteht. 8 Ob es sich bei obigem Beispiel mit der Eigenkapitalquote und dem Gewinn um gleichberechtigte Größen handelt, oder ob sogar die Eigenkapitalquote vom Gewinn abhängig zu betrachten ist, sei zunächst einmal dahingestellt. Gleichzeitig muss an dieser Stelle auch darauf hingewiesen werden, dass aus einer scheinbar eindeutigen graphischen Beziehung nicht zwingend auf einen Zusammenhang geschlossen werden kann. So kennt man in der Statistik auch die Nonsenskorrelation, die vermeintliche Zusammenhänge erklärt, wo keine Zusammenhänge sind. Als Beispiele werden immer wieder genannt:  Schuhgröße und Intelligenz von Kindern,  Anzahl der Schornsteinfeger und der Lottogewinne in mehreren Jahren und  Anzahl der Störche und der Geburten in verschiedenen Jahren.

2.1.4

Die Lorenzkurve

Die Lorenzkurve ist ein ganz spezielles Konzentrationsmaß, das sowohl rechnerisch als auch graphisch eine Vorstellung über die Gleich- bzw. Ungleichverteilung von Merkmalsausprägungen gibt. Konkrete Anwendung findet die Lorenzkurve im Rahmen der Einkommenspolitik, wo man der Frage nachgeht, ob das Volkseinkommen eines Staates „gerecht“ verteilt ist. Betrachten wir dazu ein Beispiel, das die Einkommensverteilung eines Industrie- und eines Entwicklungslandes zeigt:

8

Siehe Fallstudie 4.

2.1 Graphische Darstellungen

21

Industrieland Entwicklungsland Einkommen Personen Einkommen Einkommen Personen Einkommen in Tsd. €/Jahr in % in % in Tsd. €/Jahr in % in % bis 30 20 8 bis 30 80 20 30 - 40 30 12 30 - 40 5 10 40 - 50 20 15 40 - 50 3 8 50 - 70 15 25 50 - 70 2 9 70 - 100 10 20 70 - 100 4 8 über 100 5 20 über 100 6 45 Abbildung 17: Einkommensverteilung von Industrie- und Entwicklungsländern I

Bereits auf den ersten Blick ist zu erkennen, dass die Einkommensverteilung im Industrieland wesentlich gleichmäßiger ausfällt als im Entwicklungsland. Im Industrieland verdienen die ersten 20% der Bevölkerung 8% des Gesamteinkommens, die nächsten 30% der Personen weitere 12% usw. Im Entwicklungsland sieht dies wesentlich ungleichmäßiger aus, wie die erste und letzte Einkommensgruppe zeigt. 80% der Bevölkerung verdienen dort lediglich 20% des Gesamteinkommens, während die reichsten 6% der Bevölkerung 45% des Gesamteinkommens verdienen. Würde eine „gerechte“ Einkommensverteilung vorliegen, so würden 20% der Bevölkerung 20% des Einkommens, 40% der Bevölkerung 40% des Einkommens verdienen etc. Graphisch gesehen ergäbe sich in einem Koordinatensystem eine Gerade.

Lorenzkurve Einkommen kumuliert in %

100 80 60 40 20

. 20

. 40

. 60

Beschäftigte kumuliert in %

Abbildung 18: Die idealtypische Lorenzkurve

. 80

.

100

22

2 Beschreibende (deskriptive) Statistik

Stellt man nun die kumulierten Personen (in %) dem kumulierten Einkommen (in %) für Industrie- und Entwicklungsland in einer Tabelle dar und trägt diese in einem Koordinatensystem ab, so ergibt sich folgende Konstellation: Industrieland Entwicklungsland Einkommen Personen Einkommen Einkommen Personen Einkommen in Tsd. € kumuliert kumuliert in Tsd. € kumuliert kumuliert in % in % in % in % bis 30 30 - 40 40 - 50 50 - 70 70 - 100 über 100

20 50 70 85 95 100

8 20 35 60 80 100

bis 30 30 - 40 40 - 50 50 - 70 70 - 100 über 100

80 85 88 90 94 100

20 30 38 47 55 45

Abbildung 19: Einkommensverteilung von Industrie- und Entwicklungsländern II

Einkommen kumuliert in %

.

80 60

20

. 20

.

.

40

40

.

Lorenzkurve Entwicklungsland 100 Einkommen kumuliert in %

Lorenzkurve Industrieland 100

80 60

.

40 20

60

80

100

Beschäftigte kumuliert in %

20

40

60

80

. .. . 100

Beschäftigte kumuliert in %

Abbildung 20: Die Lorenzkurve ausgesuchter Länder

Es ist zu erkennen, dass die Lorenzkurve des Entwicklungslandes sehr viel stärker gekrümmt ist als die des Industrielandes, was auf eine sehr viel stärkere Ungleichverteilung des Einkommens hindeutet.9

9

Algebraisch lässt sich dies mit dem so genannten Gini-Koeffizient berechnen. Darauf soll hier aber verzichtet werden.

2.2 Lage- und Streuungsparameter

2.2

23

Lage- und Streuungsparameter

Lageparameter sind Mittelwerte eines Merkmals. Von Relevanz sind neben dem arithmetischen Mittel der Modus, der Median und das geometrische Mittel. Da gelegentlich das arithmetische Mittel nicht als Rechengröße greift, wird auch das harmonische Mittel vorgestellt.10 Streuungsparameter beschreiben, wie sich ein Merkmal im Vergleich zum Mittelwert verhält, d.h. wie stark es um diesen Mittelwert streut. Neben der Varianz und der daraus abgeleiteten Standardabweichung unterscheidet man noch die mittlere absolute Abweichung, den Variationskoeffizienten und die Spannweite. Von besonderer Relevanz im Rahmen der später zu untersuchenden statistischen Verfahren sind Varianz und Standardabweichung.

2.2.1

Lageparameter

2.2.1.1

Arithmetisches Mittel

Das arithmetische Mittel ( x ) als bedeutendster Lageparameter kommt in den Ausprägungen ungewichtet und gewichtet vor. Das ungewichtete arithmetische Mittel ergibt sich gemäß: x

1 n   xi n i 1

Dabei ist n die Anzahl der einbezogenen Merkmale und xi die Merkmalsausprägung des i-ten Merkmals. Beispiel: Es werden 5 Unternehmen nach ihrer Eigenkapitalquote befragt. Unternehmen Eigenkapitalquote in % (xi)

1 10

2 7

3 51

4 27

5 18

Abbildung 21: Ungewichtetes arithmetisches Mittel

Daraus ergibt sich das (ungewichtete) arithmetische Mittel: x

10

1 113  (10  7  51  27  18)   22,6 5 5

Vgl. hierzu Assenmacher W., 2010, S. 64ff. oder Toutenburg H./Heumann C., 2008(1), S. 51ff.

24

2 Beschreibende (deskriptive) Statistik

Das gewichtete arithmetische Mittel wird verwendet, wenn eines oder mehrere der Merkmalsausprägungen mit einer Häufigkeit > 1 auftritt. Grundsätzlich könnte man auch hier mit dem ungewichteten arithmetischen Mittel arbeiten, das gewichtete arithmetische Mittel stellt aber vielfach eine rechnerische Erleichterung dar. Beispiel: Entgegen der obigen Tabelle geben die 5 Unternehmen folgende Eigenkapitalquoten an, d.h., jeweils 2 Unternehmen haben identische Eigenkapitalquoten: Unternehmen Eigenkapitalquote in % (xi)

1 18

2 51

3 10

4 18

5 10

Abbildung 22: Gewichtetes arithmetisches Mittel

x

1 k   ni xi n i 1

(der Wert xi tritt ni -mal auf)

k

wobei n   n i = Gesamtzahl der Werte i 1

Daraus folgt: n  2  2 1  5 x 

2.2.1.2

1 107  (2  10  2  18  1  51)   21,4 5 5

Median

x ) der zweite Neben den beiden Ausprägungen des arithmetischen Mittels ist der Median ( ~ bedeutsame Lageparameter. Definiert ist der Median als mittlerer Wert in der nach der Größe sortierten Reihenfolge der Merkmalswerte.

Gelegentlich „versagt“ das gewöhnliche arithmetische Mittel als Lageparameter und zwar dann, wenn ein Ausreißer ein Ergebnis gravierend verfälscht, wie folgendes kurzes Beispiel belegt. Herr Müller ist Mitarbeiter in einem kleinen Unternehmen und erhält ein Einkommen in Höhe von 3.000,- €. Durch Zufall erfährt er, dass das durchschnittliche Einkommen im Unternehmen 4.000,- € beträgt, er selbst also unterhalb des Einkommensdurchschnitts liegt. Da Herr Müller der Meinung ist, gute Arbeit zu leisten und er gelegentlich sogar den Firmeninhaber vertritt, bittet er seinen Chef um ein persönliches Gespräch, um die Angelegenheit zu klären. Herr Müller erhält daraufhin die Gehaltsliste: Person Gehalt

1 16.000

2 3.000

3 2.300

Abbildung 23: Problematik des arithmetischen Mittels I

4 1.700

5 500

6 500

2.2 Lage- und Streuungsparameter

25

Die Gehaltsliste macht deutlich, dass das Geschäftsführergehalt (16.000,- €) das arithmetische Mittel erheblich nach oben verfälscht. Tatsächlich verdient Herr Müller nach dem Firmeninhaber am meisten der 5 Arbeitnehmer. Offensichtlich ist bei solchen Ausreißern das arithmetische Mittel nicht als Lageparameter geeignet. Hier bietet sich u.U. der Median an. Beim Median gelte folgende Notation: xi

= i-ter Wert in der Reihenfolge der Messung

x(i)

= i-ter Wert nach der Größe geordnet

Beim Median ist die Berechnung für eine gerade und eine ungerade Anzahl von Merkmalswerten zu unterscheiden:  x  ( n 1)    2  ~ x  1   (x  x n  ) n 2    1  2 2  

für n  ungerade Werteanzahl für n  gerade Werteanzahl

Folgen wir dem letzten Beispiel zur Eigenkapitalquote mit den Unternehmenswerten: x1 = 18, x2 = 51, x3 = 10, x4 = 18, x5 = 10 Ordnet man die Merkmale der Größe nach, wird daraus: x(1) = 10, x(2) = 10, x(3) = 18, x(4) = 18, x(5) = 51 Gesucht ist aus dieser Reihe der mittlere Wert (für eine ungerade Anzahl – hier fünf –von Merkmalsausprägungen), der dann dem Median entspricht: ~ xx

(

(n 1) ) 2

x

(

(51) ) 2

 x (3)  18

Ebenso ermittelt sich der Median für eine gerade Anzahl von Merkmalswerten. Unternehmen Eigenkapitalquote in % (xi)

1 18

2 51

3 10

4 18

5 10

6 16

Abbildung 24: Der Median

x1 = 18, x2 = 51, x3 = 10, x4 = 18, x5 = 10, x6 = 16 Ordnet man die Merkmale wiederum der Größe nach, wird daraus: x(1) = 10, x(2) = 10, x(3) = 16, x(4) = 18, x(5) = 18, x(6) = 51

26

2 Beschreibende (deskriptive) Statistik

Gesucht ist aus dieser Reihe der mittlere Wert (für eine gerade Anzahl – hier sechs –von Merkmalsausprägungen), der dann dem Median entspricht: 11 1 1 1 1 ~ x  (x n  x n )  (x 6  x 6 )  (x (3)  x (4) )  (16  18)  17 ( 1) ( ) ( 1) 2 (2) 2 2 2 2 2 2

2.2.1.3

Modus

Der Modus (xs) als dritter Lageparameter beschreibt den am häufigsten vorkommenden Wert, wird aber nur selten für weitere statistische Auswertungen benötigt.12 Unternehmen Eigenkapitalquote in % (xi)

1 18

2 51

3 11

4 18

5 10

6 16

Abbildung 25: Der Modus

Unter diesen Eigenkapitalquoten kann eindeutig der häufigste Wert bestimmt werden:13 xs = 18 2.2.1.4

Geometrisches Mittel

Das geometrische Mittel (xg) als vierter Lageparameter findet u.a. im Rahmen der Zinseszinsrechnung oder bei der Berechnung von Wachstumsfaktoren Anwendung. Es kommt immer dann zum Zuge, wenn es um die Mittelung von Wachstumsraten/Wachstumsfaktoren geht. Beispiel zur Wertentwicklung eines Aktienfonds: Jahr Wert in € zum Jahresende (xi)

0 100

1 102

2 108

3 118

4 120

Abbildung 26: Wertentwicklung eines Aktienfonds

Fragt man sich innerhalb dieses Zeitintervalls nach der durchschnittlichen Wertentwicklung, so hilft hier das arithmetische Mittel nicht weiter. Dies würde innerhalb der fünf Jahre eine Wert- und prozentuale Entwicklung von +20,-€/+20% und damit einen durchschnittlichen Anstieg von 5,-€/5% ermitteln. Diese Rechnung ist deshalb falsch, da der Wertanstieg immer

11

Siehe Fallstudie 5.

12

Im letzten Beispiel zum Median konnte der Modus nicht bestimmt werden, da zwei Merkmalsausprägungen mit der gleichen Häufigkeit (2) vorkamen.

13

s steht hier für den „schwersten“ Wert. Siehe auch die Fallstudien 6 und 7.

2.2 Lage- und Streuungsparameter

27

auf den vorhergehenden Betrag zu beziehen ist, man diesem Zinseszinsgedanken also Rechnung tragen muss. Addiert man folglich auf den Ursprungswert von 100,- € jeweils viermal hintereinander 5%, so ergäbe sich im 4. Jahr einen Endwert von 121,55 €. Jahr Wert in € zum Jahresende (xi)

0 100

1 105

2 110,25

3 115,76

4 121,55

Abbildung 27: Problematik des arithmetischen Mittels II

Wie aber ist vorzugehen, um dem hier notwendigen Zinseszinsgedanken gerecht zu werden? Die Methodik folgt der geometrischen Reihe, aus der sich das geometrische Mittel ableitet: xg  n

Endniveau 120 4  1,0466  4,66% Anfangsniveau 100

Dabei steht die n-te Wurzel für die Anzahl der Perioden (hier 4), für die die Entwicklung zu berücksichtigen ist. Es ergibt sich aus obiger Wertentwicklung also ein durchschnittlicher und jährlicher Anstieg von 4,66%, so dass am Ende des 4. Jahres 120,- € erreicht sind: Jahr Wert in € zum Jahresende (xi)

0 100

1 104,66

2 109,54

3 114,65

4 120

Abbildung 28: Das geometrische Mittel

Ist das Endniveau nicht bekannt, können auch die jährlichen Wachstumsraten/-faktoren (WFi) herangezogen werden. x g  n WF1  WF2  WF3  ....  WFn

Der Wachstumsfaktor der Periode t (WFt) ergibt sich dabei aus dem Quotienten xt durch xt-1. Aus der Originalzeitreihe errechnet sich bspw. der Wachstumsfaktor für die Periode 2 aus: WF2 

x2 108   1,0588 x 21 102

Von der Periode 1 zur Periode 2 hat sich somit der Aktienfonds um 5,88% im Wert erhöht. Für die Originalzeitreihe ergeben sich insgesamt die Wachstumsfaktoren und damit das geometrische Mittel:

28

2 Beschreibende (deskriptive) Statistik

Jahr Wert in € zum Jahresende (xi) Wachstumsfaktor (WFt)

0 100

1 102 1,02

2 108 1,0588

3 118 1,0926

4 120 1,017

Abbildung 29: Wachstumsfaktoren I

x g  4 1,02  1,0588  1,0926  1,017  4 1,2  1,0466 14

Wachstumsfaktoren lassen sich natürlich auch für rückläufige Entwicklungen angeben. Die Berechnung des geometrischen Mittels ist dann ebenso durchführbar. Wäre die Wertentwicklung also bspw. im 1. Jahr zunächst negativ (97,- €), könnte trotzdem anhand der Wachstumsfaktoren das geometrische Mittel bestimmt werden. Jahr Wert in € zum Jahresende (xi) Wachstumsfaktor (WFt)

0 100

1 97 0,97

2 108 1,1134

3 118 1,0926

4 120 1,017

Abbildung 30: Wachstumsfaktoren II

x g  4 0,97  1,1134  1,0926  1,017  4 1,2  1,0466

Mit Hilfe des geometrischen Mittels könnte man folglich auch den Wert einer Kapitalanlage mit einer konstanten Verzinsung zu einem bestimmten Zeitpunkt bestimmen. xn  x0  xgn

Wollte man z.B. wissen, was die Kapitalanlage von 100,- € am Ende des 6. Jahres bei einer durchschnittlichen Verzinsung von 4,66% Wert ist, so errechnet sich dies aus: x 6  x 0  x g 6  100  1,0466 6  131,43 € .

2.2.1.5

Harmonisches Mittel

Bei der Berechnung des (gewichteten oder ungewichteten) arithmetischen Mittels wurde stillschweigend vorausgesetzt, dass die Fragestellung kein separates implizites Gewichtungsschema enthält, das bei der Berechnung entsprechend zu berücksichtigen wäre. Folgender Sachverhalt soll die Problematik verdeutlichen: Der für ein Unternehmen arbeitende Spediteur tankt auf seiner Fahrt dreimal zum Preis von xi:

14

Siehe Fallstudien 8 und 9.

2.2 Lage- und Streuungsparameter

29

x1 = 1,- €/Liter x2 = 1,20 €/Liter x3 = 1,40 €/Liter. Daraus können unterschiedliche Fragestellungen abgeleitet werden, die alle in der Beantwortung der Frage nach dem durchschnittlichen Literpreis enden: a)

Der Spediteur tankt jeweils die gleiche Menge Kraftstoff.

b)

Der Spediteur tank unterschiedliche Mengen ni und zwar wie folgt:

c)



zum Preis x1 = 1,- €/Liter die Menge n1 = 40 Liter



zum Preis x2 = 1,20 €/Liter die Menge n2 = 25 Liter



zum Preis x3 = 1,40 €/Liter die Menge n3 = 22 Liter

Der Spediteur tankt jeweils für den gleichen Betrag.

Zu a) Zweifellos handelt es sich hier um das ungewichtete arithmetische Mittel. Der Durchschnittspreis ermittelt sich aus x

1 n (1  1,2  1,4)   xi   1,20 € n i 1 3

Zu b) Gegenüber Aufgabenstellung a) ist nun die differierende Menge an getanktem Kraftstoff zu berücksichtigen. Hierbei hilft das gewichtete arithmetische Mittel. x

1 k (40  1  25  1,2  22  1,4)   ni  xi   1,16 € n i 1 87

Zu c) Die Aufgabenstellung ist nun im Vergleich zu a) und b) eine gänzlich andere. Nun tankt der Spediteur immer für den gleichen Betrag. Unterstellen wir aus Gründen der einfachen Rechenbarkeit einmal, die Ausgaben belaufen sich auf jeweils 42,- €. Für diesen Betrag erhält der Spediteur nun, je nach Preis xi, unterschiedliche Kraftstoffmengen ni: 42,- € / 1,- €/Liter (x1) = 42,- Liter (n1) 42,- € / 1,20 €/Liter (x2) = 35,- Liter (n2) 42,- € / 1,40 €/Liter (x1) = 30,- Liter (n3) Insgesamt gibt der Spediteur somit 3 Mal jeweils 42,- € und somit 126,- € aus und erhält in der Summe 107 Liter Kraftstoff, der Durchschnittspreis beträgt somit:

30

2 Beschreibende (deskriptive) Statistik

x

Gesamtausgaben 126, €   1,18 € Gesamtmenge 107 ltr

Worin aber besteht nun der konkrete Unterschied in der Fragestellung zwischen den Aufgaben a) und b) einerseits und c) andererseits? Bei a) und b) bezieht sich die Fragestellung auf die Nennergröße, denn Bezugspunkt ist die getankte Kraftstoffmenge. Frage c) hingegen zielt auf die Zählergröße, nämlich den Betrag ab. Es handelt sich bei Fragestellung c) um das so genannte harmonische Mittel. Das harmonische Mittel ergibt sich verallgemeinernd aus: xh 

1 1 1 1  h1   h 2  ...   h i x1 x2 xi

mit: xh = harmonisches Mittel xi = Merkmalsausprägungen i hi = relative Anteile der Merkmalsausprägungen Bezogen auf obiges Beispiel ergibt sich: xh 

1 1 1 1  0,33   0,33   0,33 1 1,2 1,4

 1,18 € 15

2.2.2

Streuungsparameter

2.2.2.1

Varianz und Standardabweichung

Varianz (σ2) und Standardabweichung (σ) geben Auskunft über das Streuungsverhalten von Merkmalen, wobei man auch hier, ähnlich zum arithmetischen Mittel, zwischen ungewichteten und gewichteten Parametern unterscheidet: Ungewichtete Varianz:  2  Gewichtete Varianz:  2 

15

Siehe Fallstudien 10 und 11.

1 n   (x i  x) 2 n i 1

1 k   n i  (x i  x) 2 n i1

2.2 Lage- und Streuungsparameter

31

Standardabweichung:    2 Die Standardabweichung ist ein direktes Maß für die Streuung und gibt Auskunft, wie groß die Abweichung der Merkmalsausprägungen vom arithmetischen Mittel durchschnittlich ist. Welche extremen Auswirkungen Varianz und damit die Standardabweichung haben können, zeigt ein anschauliches Beispiel. Nehmen wir an, 2 Gruppen von jeweils 10 Studierenden schreiben eine Statistikklausur. In der ersten Gruppe erzielen alle 10 Teilnehmer die Note 3,0, in der zweiten Gruppe erreichen von den 10 Personen 5 die Note 1,0 und die übrigen 5 Personen eine 5,0. Wie sehen arithmetisches Mittel, Varianz und Standardabweichung jeweils aus? Gruppe 1 Note (xi) Häufigkeit (ni) 3 10

Gruppe 2 Note (xi) Häufigkeit (ni) 1 5 5 5

Abbildung 31: Herleitung der Varianz

Arithmetisches Mittel der Gruppe 1: x 1 

1 30  (10  3)   3,0 10 10

Arithmetisches Mittel der Gruppe 2: x 2 

1 30  (5  1  5  5)   3,0 10 10

Wir halten fest, dass sich die arithmetischen Mittel (Notendurchschnitt) nicht voneinander unterscheiden. Wie aber sieht es mit der Varianz und der Standardabweichung, also mit der Streuung um den arithmetischen Mittelwert aus? Varianz σ 21 und Standardabweichung σ1 der ersten Gruppe lauten:  21 

1  10  (3  3) 2  0 → 10

1   21  0

Varianz σ22 und Standardabweichung σ2 der zweiten Gruppe lauten: 22 





1 40  5  (1  3) 2  5  (5  3) 2  4 10 10

→

2  22  2

Somit beträgt die mittlere Streuung der Noten bei der ersten Gruppe um den arithmetischen Mittelwert (Notendurchschnitt) 0, während sie bei der zweiten Gruppe den Wert 2 ergibt. Bei der zweiten Gruppe haben wir sogar das Phänomen, dass die Noten nicht nur durchschnittlich um den Wert 2 vom arithmetischen Mittelwert (=3) abweichen (dies ist die Interpretation der Standardabweichung), sondern dass jeder Wert für sich genau um 2 (entweder nach oben oder unten) vom Mittelwert abweicht.

32

2 Beschreibende (deskriptive) Statistik

Betrachten wir ein zweites Beispiel zur Varianz und Standardabweichung und entwickeln dabei eine sinnvolle Arbeitstabelle: Gegeben sind die Eigenkapitalquoten (EKQ) zu 5 Unternehmen (siehe oben): Unternehmen

EKQ in % (xi)

(x i  x)

(x i  x) 2

18 51 10 18 10

-3,4 29,6 -11,4 -3,4 -11,4

11,56 876,16 129,96 11,56 129,96 Σ = 1.159,2

1 2 3 4 5 x

107  21,4 5

2 

1.159,2  231,84 5

  15,23

Abbildung 32: Die Varianz

Aus obiger Arbeitstabelle ergibt sich eine durchschnittliche Eigenkapitalquote von 21,4 % bei einer Varianz von 231,84 und einer Standardabweichung von 15,23%, d.h. durchschnittlich streuen die Eigenkapitalquoten der 5 Unternehmen um 15,23% um den Durchschnitt (21,4%). Das Beispiel macht ebenso deutlich, warum im Rahmen der Varianz die quadrierten Abweichungen vom Mittelwert genommen werden. Würde man mit den einfachen Differenzen rechnen, so würden sich positive und negative Abweichungen neutralisieren.16 2.2.2.2

Mittlere absolute Abweichung

Die mittlere absolute Abweichung (MAD) verzichtet, im Gegensatz zur Varianz, auf die Quadrierung der Abweichungen, sondern nimmt stattdessen die absoluten Abweichungen und mittelt diese: MAD 

1 k   xi  x n i 1

für ungruppierte Daten und

MAD 

1 k   ni  xi  x n i 1

für gruppierte Daten.

Betrachten wir dazu wiederum unser kleines Eingangsbeispiel zur Eigenkapitalquote von 5 Unternehmen (EKQ):

16

Siehe Fallstudien 12 bis 14.

2.2 Lage- und Streuungsparameter Unternehmen 1 2 3 4 5 x

107  21,4 5

EKQ in % (xi) 18 51 10 18 10 MAD 

33 xi  x

3,4 29,6 11,4 3,4 11,4 Σ = 59,2

59,2  11,84 5

Abbildung 33: Die mittlere absolute Abweichung

Unser Beispiel zeigt eine mittlere absolute Abweichung vom arithmetischen Mittel in Höhe von 11,84%.17 Dieser Streuungsparameter, obgleich hier vorgestellt, wird in den meisten statistischen Berechnungen zugunsten der Varianz und der Standardabweichung umgangen, da letztere analytischer leichter zu behandeln sind.18 2.2.2.3

Variationskoeffizient

Gelegentlich ist man daran interessiert, Streuungen zweier oder mehrerer Verteilungen miteinander zu vergleichen, die möglicherweise sowohl voneinander differierende Mittelwerte aufweisen, als auch unterschiedlich große Beobachtungswerte. Dann ist eine unmittelbare Vergleichbarkeit anhand der Varianz bzw. der Standardabweichung tendenziell schwierig. So haben bspw. empirische Untersuchungen ergeben, dass die beobachteten Tagesumsätze von Großmärkten eine deutlich größere Streuung aufweisen, als die von kleineren Lebensmittelgeschäften. Um nun die Vergleichbarkeit herbeiführen zu können, bedient man sich des so genannten Variationskoeffizienten. Dabei wird die Standardabweichung, die ja ein absolutes Streuungsmaß darstellt, durch das arithmetische Mittel dividiert und ergibt mit dem Variationskoeffizienten ein relatives Streuungsmaß. Der Variationskoeffizient normiert somit gewissermaßen die Varianz. VC 

 x

17

Natürlich könnte man die Arbeitstabelle dahingehend modifizieren, die mehrfach vorkommenden Werte (10 und 18%) mit ihren Häufigkeiten zu gewichten und demzufolge die Formel für gruppierte Daten anzuwenden. Bei einem solch kleinen Beispiel aber wurde darauf verzichtet. Siehe Fallstudie 15.

18

Vgl. hierzu den Einsatz der Varianz bei diversen statistischen Verfahren, bspw. der Korrelation oder der Regression.

34

2 Beschreibende (deskriptive) Statistik

Im folgenden Beispiel liegen für eine große Kaufhauskette für die Bereiche „Reisen“ (R) und „Kosmetik“ (K) die durchschnittlichen Umsätze ( x i ) sowie deren Standardabweichungen σi aller verkauften Produkte des letzten Monats vor: x R  1.740, €

x K  38,50 €

 R  385, €

 K  9,35 €

Aus dem Beispiel wird unmittelbar ersichtlich, dass der Vergleich der durchschnittlichen Monatsumsätze sowie deren Standardabweichungen aufgrund der großen absoluten Diskrepanz keinen großen Sinn ergeben. Überführt man jedoch diese absoluten Werte in relative Größen in Gestalt der Variationskoeffizienten, so ergeben sich: VC R 

R xR



 385 9,35  0,2212 bzw. VC K  K   0,2429 1.740 x K 38,5

D.h., bei den verkauften Reisen beträgt die Standardabweichung etwa 22,12% des Mittelwertes, bei den verkauften Kosmetika etwa 24,29%. Beide Produkte lassen sich in Bezug auf den Variationskoeffizienten nun also gut miteinander vergleichen.19 2.2.2.4

Spannweite

Die Spannweite ist die Differenz zwischen dem größten und kleinsten Beobachtungswert. Aus diesem Grund ist sie sehr leicht ermittelbar, birgt natürlich auf der anderen Seite den gravierenden Nachteil, dass sie bei Ausreißern sehr wenig aussagefähig ist. Ferner bringt sie die Streuung der Merkmalswerte innerhalb der beiden Extremwerte nicht zum Ausdruck. Zeit xt yt

1 1 2

2 2 2

3 2 2

4 2 2

5 2 2

6 2 2

7 2 2

8 2 2

9 10 2

Abbildung 34: Die Spannweite

SWx = 10-1 = 9 SWy = 0 Obwohl die beiden Beobachtungsreihen xt und yt in obiger Abbildung weitgehend identisch sind, führt der gravierende Ausreißer x9 bezüglich der Spannweite zu einem gänzlich anderen Ergebnis.

19

Siehe Fallstudie 16.

2.3 Indizes

2.3

35

Indizes

Indizes (Indexzahlen) sind Maßzahlen für den Vergleich zweier Perioden für ein bestimmtes Merkmal oder eine Gruppe von Merkmalen. Sie dienen dem Vergleich der Berichtszeit mit einer Basiszeit, wobei man in den Wirtschaftswissenschaften insbesondere Preisindizes, Mengenindizes und Wertindizes unterscheidet.20 Mit einem Preisindex wird die Preisentwicklung eines Warenkorbes (Gruppe von Gütern) zwischen dem Basis- und Berichtszeitpunkt ausgedrückt. Dabei werden die Mengen für den Basis- und Berichtszeitraum konstant gehalten. Mit einem Mengenindex wird die Mengenentwicklung eines Warenkorbes ausgedrückt, wobei die Preise konstant gehalten werden. Der Wertindex gibt die gesamte Wertentwicklung eines Warenkorbes zwischen Basis- und Berichtszeitpunkt an, wobei nicht danach unterschieden wird, ob der Anstieg/der Rückgang preis- und/oder mengenbedingt verursacht wurde. Die bedeutsamsten Preis- und Mengenindizes gehen auf Laspeyres und Paasche zurück, weshalb wir uns an dieser Stelle auch auf diese beiden Maße konzentrieren. Berichtspreis p11

Basismenge

Berichtsmenge

Basiswert

Berichtswert

1

Basispreis p01

q01

q11

p01q01

p11q11

2

p02

p12

q02

q12

p02q02

p12q12

... i

p0i

p1i

q0i

q1i

p0iq0i

p1iq1i

... n

p0n

p1n

q0n

q1n

p0nq0n

p1nq1n

Produkt Nr.

Abbildung 35: Der Warenkorb

Betrachtet wird also ein Warenkorb (Wertangaben pro Stück), bestehend aus n Produkten, zu denen jeweils die Basispreise p01 bis p0n (allgemein p0i = Preis des Produktes i der Periode 0), die Berichtspreise p11 bis p1n (allgemein p1i = Preis des Produktes i der Periode 1), die Basismengen q01 bis q0n (allgemein q0i = Menge des Produktes i der Periode 0) sowie die Berichtsmengen q11 bis q1n (allgemein q1i = Menge des Produktes i der Periode 1) angegeben sind. Daraus lassen sich dann die Basiswerte und die Berichtswerte ableiten. Beispielhaft soll ein Warenkorb aus n = 3 Produkten analysiert werden, zu denen Basis- und Berichtsinformationen vorliegen:

20

Vgl. hierzu z.B. Litz P., 2003, S. 184ff.

36

2 Beschreibende (deskriptive) Statistik

Produkt Nr. 1 2 3

Basispreis 10 €/St. 20 €/St. 40 €/St.

Berichtspreis 15 €/St. 22 €/St. 52 €/St.

Basismenge

Berichtsmenge

Basiswert

Berichtswert

10 St. 2 St. 4 St.

6 St. 3 St. 5 St.

100 € 40 € 160 €

90 € 66 € 260 €

Abbildung 36: Preis- und Mengenindizes

Die Preis- und Mengenindizes nach Laspeyres und Paasche sowie des gesamten Wertindex lauten: n

Preisindex nach Laspeyres:

LP 

 p1i  q 0i

i 1 n

Basismenge (q0i)

 p 0i  q 0 i

i 1 n

Preisindex nach Paasche:

PP 

 p1i  q1i

i 1 n

Berichtsmenge (q1i)

 p 0i  q1i

i 1

Während der Laspeyres-Preisindex, der in der Bundesrepublik zur Darstellung der Inflationsrate benutzt wird, die Preisentwicklung auf der Grundlage von Basismengen berechnet, stellt der Paasche-Preisindex die Preisentwicklung auf Basis der Berichtsmengen dar. Beispiel: LP 

15  10  22  2  52  4  1,34 10  10  20  2  40  4

PP 

15  6  22  3  52  5  1,30 10  6  20  3  40  5

Innerhalb des Betrachtungszeitraumes ist folglich der Gesamtpreis des Warenkorbs nach Laspeyres (nach Paasche) um 34% (30%) angestiegen. Beim Betrachtungszeitraum ist an dieser Stelle nicht gesagt, ob diese Entwicklung innerhalb eines Jahres oder im Laufe mehrerer Jahre erfolgt ist. Wäre das Basisjahr bspw. das Jahr 2008 und das Berichtsjahr 2011, so hätte die Preisentwicklung innerhalb dreier Jahre stattgefunden. Gemäß der Formel zum geometrischen Mittel wäre die durchschnittliche jährliche Preissteigerungsrate (Inflationsrate) folglich: xg  n

Endniveau 1,34 3  1,1025  10,25% nach Laspeyres und Anfangsniveau 1,00

xg  3

1,30  1,0914  9,14% nach Paasche. 1,00

2.3 Indizes

37

Die beiden korrespondierenden Mengenindizes nach Laspeyres und Paasche nehmen die gleiche Unterscheidung vor, wie die Preisindizes, d.h. der Laspeyres-Mengenindex stellt die Mengenentwicklung auf der Grundlage des Basiszeitraums (der Basispreise), der PaascheMengenindex auf Grundlage des Berichtszeitraums (der Berichtspreise) dar. n

Mengenindex nach Laspeyres:

LM 

 q1 i  p 0 i

i 1 n

Basispreis (p0i)

 q 0 i  p0 i

i 1 n

Mengenindex nach Paasche:

PM 

 q1i  p1i

i 1 n

Berichtspreis (p1i)

 q 0i  p1i

i 1

Beispiel: LM 

6  10  3  20  5  40  1,067 10  10  2  20  4  40

PM 

6  15  3  22  5  52  1,035 10 15  2  22  4  52

Innerhalb des Betrachtungszeitraumes ist folglich der Mengenindex nach Laspeyres (nach Paasche) um 6,7% (3,5%) angestiegen. Letztlich sei noch die gesamte Wertentwicklung betrachtet. Hier gelten für den Wertindex (WI) folgende Beziehungen: n

WI 

 p1i  q1i

i 1 n



 p 0i  q 0i

Summe der Berichtswerte  L P  PM  PP  L M Summe der Basiswerte

i 1

Es wird also nicht zwischen Preis- und Mengenentwicklung unterschieden, sondern lediglich auf die Gesamtentwicklung abgestellt. Beispiel: WI 

90  66  260  1,387  1,30  1,067  1,34  1,035 100  40  160

Der Gesamtwert des Warenkorbes ist im Betrachtungszeitraum folglich um 38,7% gestiegen. Dieser Anstieg beinhaltet sowohl die Mengen- als auch die Preisentwicklung. Dabei ist bedeutsam, dass sich die Wertentwicklung jeweils aus den Produkten von Preisindex nach Laspeyres und Mengenindex nach Paasche sowie Preisindex nach Paasche und Mengenindex nach Laspeyres zusammensetzt.21

21

Siehe Fallstudie 17.

38

2 Beschreibende (deskriptive) Statistik

Zuletzt soll noch ein Problem erwähnt werden, das durch die alle 5 bis 10 Jahre wiederkehrende Neuindexierung eintritt, d.h. ein neues Jahr bildet das Basisjahr und damit den Index 1 bzw. 100%. Diese Umbasierung geschieht nicht zuletzt deshalb, damit einzelne Indizes nicht zu groß werden. Als Beispiel möge hier ein Warenkorb dienen, der Preissteigerungsraten von hochinflationären Ländern abbildet, die teilweise zweistellige Zuwachsraten (pro Monat!) haben. Hier hätten wir innerhalb weniger Jahre aus einem Index 100 sehr schnell einen Index in Milliardenhöhe. Die Neuindexierung sei an einem Beispiel demonstriert: Jahr i Index alt Index neu

0 1 2 3 4 5 6 7 8 9 10 100 102 104 105 109 121 129 131 139 145 149 82,6 84,3 85,9 86,8 90,1 100 106,6 108,3 114,9 119,8 123,1

Abbildung 37: Neuindexierungen

Der Index (alt) zeigt die ursprüngliche Entwicklung des Warenkorbes, ausgehend von 100 im Basisjahr 0 über die nächsten 10 Jahre auf 149, und somit eine Steigerung um insgesamt 49% bzw. jährlich von durchschnittlich 4,068%. Nach der Umbasierung (Index neu) erhält nun das Jahr 5 den Index 100, folglich müssen alle anderen Jahre daraufhin angepasst werden. Dies geschieht durch einfachen Dreisatz, indem der alte Index des 5. Jahres (121) gleich 100 und die darauf folgenden und zurückliegenden Jahre dazu in Relation gesetzt werden. Für das Jahr 6 bspw. ergibt sich der neue Index aus der Relation 129/121.100 = 106,6, für das Jahr 1 aus der Beziehung 102/121.100 = 84,3 etc.22

2.4

Statistische Verfahren im Bereich der deskriptiven Statistik

2.4.1

Die Bedeutung der Datenart

In den vorangegangenen Kapiteln wurde der Grundstein gelegt, um die nun folgenden statistischen Verfahren im Rahmen der deskriptiven Statistik (besser) verstehen zu können. Insbesondere arithmetisches Mittel und Varianz sind Parameter, die im weiteren Verlauf immer wieder berechnet werden und zum Einsatz kommen. Ebenso wurde bereits erwähnt, dass die unterschiedlichen Ausprägungen der Datenart einen großen Einfluss auf die anzuwendenden statistischen Verfahren haben. Insbesondere die Skalierung und die Anzahl der Variablen

22

Siehe Fallstudie 18.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

39

haben eine große Bedeutung. Aus diesen Beziehungen lassen sich die statistischen Verfahren ableiten.23 Anzahl Skalierung

univariat

bivariat

multivariat

nominal

-

Kontingenztafel

-

ordinal

Zeitreihenanalyse

kardinal

Zeitreihenanalyse

Kovarianzanalyse Rangkorrelation Kovarianzanalyse Korrelationsanalyse Regressionsanalyse

Multiple Regression

Abbildung 38: Statistische Verfahren

Aus obiger Abbildung ergibt sich beispielsweise, dass die Regressionsanalyse keine Anwendung findet, wenn die Daten lediglich nominal skaliert vorliegen.

2.4.2

Kovarianzanalyse

Die Kovarianz beschreibt den Zusammenhang zwischen zwei unabhängigen Variablen x und y, ohne dabei allerdings die Stärke des Zusammenhangs zu konkretisieren. Die Konkretisierung erfolgt später im Rahmen der Korrelationsanalyse, bei der die Kovarianz eine entscheidende Rolle spielt, oder im Rahmen der Regressionsanalyse, bei der die Kovarianz das Steigungsmaß des Regressionsansatzes bestimmt. In Verbindung bzw. als Bestandteil der Volatilitätsmessung wird die Kovarianz ferner im Rahmen der Risikodiversifikation von Merkmalen benötigt. Cov x , y 

1 n   ( x i  x )  ( y i  y) n i1

mit: xi = Merkmalsausprägung der x-Werte x

1 n   x i  Mittelwert der x-Werte n i 1

yi = Merkmalsausprägung der y-Werte y

23

1 n   y i  Mittelwert der y-Werte n i 1

Zu den deskriptiven Verfahren der Statistik siehe auch Weigand C., 2009, S. 91ff.

40

2 Beschreibende (deskriptive) Statistik

Aus der Formel der Kovarianz wird ersichtlich, dass sie ein positives Vorzeichen hat, wenn die Merkmale der x und y-Werte gleichlaufend sind, d.h. entweder beide positive bzw. beide negative Werte aufweisen. Bei gegenläufigen Merkmalen besitzt die Kovarianz ein negatives Vorzeichen. Beispiel 1: Im Rahmen der graphischen Darstellung von quantitativen Variablen wurde für 10 Unternehmen bereits der Gewinn (hier: Merkmalsausprägung xi) sowie die Eigenkapitalquote (hier: Merkmalsausprägung yi) abgetragen. Es ergab sich eine positiv verlaufende Punktewolke, d.h. steigende Gewinne gingen mit tendenziell steigenden Eigenkapitalquoten einher. Bei den nun startenden statistischen Verfahren soll im Rahmen der Kovarianz, der sich daran anschließenden Korrelations- sowie Regressionsanalyse dieser Sachverhalt nochmals aufgegriffen und untersucht werden. Für die Kovarianz bietet sich nachfolgende Arbeitstabelle an: G (xi) EKQ ( y i ) x i  x [Tsd. €] [in %] 100 7 -500 70 9 -530 240 10 -360 310 15 -290 500 18 -100 420 24 -180 745 27 145 1.210 32 610 1.081 51 481 1.324 57 724 x = 600 y = 25

y i  y ( x i  x )  ( y i  y)

-18 -16 -15 -10 -7 -1 2 7 26 32

9.000 8.480 5.400 2.900 700 180 290 4.270 12.506 23.168 Qxy = 66.894

Abbildung 39: Positive Kovarianz

Cov x , y 

1  66.894  6.689,4 10

Es besteht zwischen den beiden Merkmalen Gewinn und Eigenkapitalquote, wie bereits im Rahmen der graphischen Darstellung gezeigt, eine positive Beziehung, was durch das positive Vorzeichen der Kovarianz zum Ausdruck kommt. Die Stärke des Zusammenhangs kann allerdings (noch) nicht konkretisiert werden. Ein gegenläufiges Verhalten von Merkmalsausprägungen zeigt ein zweites Beispiel. Beispiel 2: Betrachten wollen wir nun die Entwicklung der Beschäftigtenzahlen (in Tsd.) sowie den branchenüblichen Stundensatz (in €) der zurückliegenden 10 Jahre für eine bestimmte Branche. Der Stundensatz beschreibe dabei die Variable xi, die Beschäftigtenzahlen yi.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik xi yi xi  x [in €] [in Tsd.] 6,0 42 -3,7 8,0 30 -1,7 9,0 26 -0,7 7,5 32 -2,2 9,0 20 -0,7 8,5 22 -1,2 8,5 20 -1,2 12,5 18 2,8 11,0 20 1,3 17,0 16 7,3 x = 9,7 y = 24,6

41

y i  y ( x i  x )  ( y i  y)

17,4 5,4 1,4 7,4 -4,6 -2,6 -4,6 -6,6 -4,6 -8,6

-64,38 -9,18 -0,98 -16,28 3,22 3,12 5,52 -18,48 -5,98 -62,78 Qxy = -166,20

Abbildung 40: Negative Kovarianz

Cov x , y 

1  166,20  16,62 10

Nun ergibt sich zwischen den beiden Variablen eine negative Beziehung. Das Beschäftigtenniveau und die Stundenlöhne entwickeln sich gegenläufig.24

2.4.3

Korrelationsanalyse

Mit der Korrelation bzw. dem Korrelationskoeffizienten (r) wird der lineare Zusammenhang zweier Merkmale gemessen. Zielsetzung der Korrelationsanalyse ist es somit, Beziehungen zwischen zwei Variablen aufzudecken, zu quantifizieren und schließlich zu testen. Beide Variable sind dabei „gleichberechtigt“, d.h. man unterscheidet nicht in abhängige (endogene, zu erklärende) und unabhängige (exogene, erklärende) Merkmale. Von Interesse ist der Grad des Zusammenhangs, wobei der Korrelationskoeffizient, unabhängig von der Ausprägung, immer auf das Intervall [-1, +1] beschränkt ist. Es handelt sich somit um ein normiertes statistisches Maß. Folgende Aussagen lassen sich zum Korrelationskoeffizienten treffen:  es gilt immer 1  r  1  je näher r an 1 liegt, desto weniger weichen die Einzelwerte von einer (gedachten) Geraden ab

24

Siehe Fallstudien 19 und 20.

42

2 Beschreibende (deskriptive) Statistik

 r = 0 bedeutet, dass die beiden Merkmale (x und y) keinen Zusammenhang erkennen lassen  r = 1 bedeutet einen perfekten positiven Zusammenhang der Merkmale, r = -1 bedeutet einen perfekten negativen Zusammenhang der Merkmale  r > 0 heißt: y nimmt mit steigendem x ebenfalls zu; r < 0 heißt: y nimmt ab, wenn x zunimmt und umgekehrt  Abweichungen von r = 1 können aber auch auf Nichtlinearität hinweisen, wie in der folgenden Abbildung das Bild rechts unten zeigt: r = 0,99

r = 0,90

r=0

r = 0,99

r = 0,90

r=0

Abbildung 41: Korrelationsmuster

Die Korrelationsanalyse gibt es in ganz unterschiedlichen Ausprägungen. Es gibt den  Korrelationskoeffizienten nach Bravais-Pearson (rBP), der bei metrischen Daten zur Anwendung kommt und zwar sowohl für gruppierte als auch ungruppierte Daten sowie den  Rangkorrelationskoeffizienten nach Spearman (rS), für den ordinal skalierte Daten ausreichen. Beide haben, obwohl von unterschiedlichen Datenqualitäten ausgehend, die gleiche Aussagekraft, ebenso ist Aufbau und Vorgehensweise der Analyse identisch. 2.4.3.1

Korrelationskoeffizient nach Bravais-Pearson für ungruppierte Daten

Der Korrelationskoeffizient nach Bravais-Pearson:  misst die Stärke des linearen Zusammenhangs zwischen zwei metrisch skalierter Variablen x und y (für eine sinnvolle Interpretation muss ein linearer Zusammenhang unterstellt werden).  Dabei dürfen die Merkmalsausprägungen x und y, wie bereits erwähnt, gleichberechtigt sein, es wird also keine Abhängigkeit (y von x oder umgekehrt) vorausgesetzt.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

43

Der Korrelationskoeffizient errechnet sich aus:

n

 (x i  x)  (y i  y)

i 1 n

r

n

2 2  (x i  x) .  (y i  y)

i 1



Q xy Q xx  Q yy

i 1

wobei

x

1 n   x i  Mittelwert der x-Werte n i 1

y

1 n   y i  Mittelwert der y-Werte n i 1 n

Q xy   ( x i  x )  ( y i  y) i 1 n

Q xx   ( x i  x ) 2  Summe der quadrierten Abweichungen der x-Werte i 1 n

Q yy   ( y i  y) 2  Summe der quadrierten Abweichungen der y-Werte i 1

Die Berechnung erfolgt am besten mit Hilfe einer Tabelle. Sie wird an zwei Beispielen demonstriert. Beispiel 1: Die im ersten Beispiel zur Kovarianz untersuchte Beziehung zwischen dem Gewinn und der Eigenkapitalquote für 10 Unternehmen soll nun wiederum aufgegriffen und durch die Korrelationsanalyse ergänzt bzw. erweitert werden.

44

2 Beschreibende (deskriptive) Statistik

G (xi) EKQ ( y i ) x i  x [Tsd. €] [in %] 100 7 -500 70 9 -530 240 10 -360 310 15 -290 500 18 -100 420 24 -180 745 27 145 1.210 32 610 1.081 51 481 1.324 57 724 x = 600 y = 25

y i  y ( x i  x )  ( y i  y)

-18 -16 -15 -10 -7 -1 2 7 26 32

9.000 8.480 5.400 2.900 700 180 290 4.270 12.506 23.168 Qxy = 66.894

(x i  x )2

( y i  y) 2

250.000 324 280.900 256 129.600 225 84.100 100 10.000 49 32.400 1 21.025 4 372.100 49 231.361 676 524.176 1.024 Qxx = 1.935.662 Qyy = 2.708

Abbildung 42: Positive Korrelation

Neben den Daten der Kovarianz enthält der Korrelationskoeffizient (im Nenner) die beiden Summen der quadrierten Abweichungen. Es resultiert ein positiver Korrelationskoeffizienten r. r

Q xy Q xx  Q yy



66.894 1.935.662  2.708

 0,924

Der Korrelationskoeffizient von 0,924 besagt, dass es zwischen den beiden Merkmalen Gewinn und Eigenkapitalquote offensichtlich einen großen positiven Zusammenhang gibt. r liegt sehr nahe am maximalen Wert +1. Somit ermöglicht der Korrelationskoeffizient eine deutlich differenziertere Aussage als die Kovarianz. Beispiel 2: Das zweite im Rahmen der Kovarianz untersuchte Beispiel referenziert auf die Entwicklung der Beschäftigtenzahlen (yi in Tsd.) sowie den branchenüblichen Stundensatz (xi in €) der zurückliegenden 10 Jahre für eine bestimmte Branche.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik xi yi xi  x [in €] [in Tsd.] 6,0 42 -3,7 8,0 30 -1,7 9,0 26 -0,7 7,5 32 -2,2 9,0 20 -0,7 8,5 22 -1,2 8,5 20 -1,2 12,5 18 2,8 11,0 20 1,3 17,0 16 7,3 x = 9,7 y = 24,6

y i  y ( x i  x )  ( y i  y)

17,4 5,4 1,4 7,4 -4,6 -2,6 -4,6 -6,6 -4,6 -8,6

-64,38 -9,18 -0,98 -16,28 3,22 3,12 5,52 -18,48 -5,98 -62,78 Qxy = -166,20

(x i  x )2

45 ( y i  y) 2

13,69 302,76 2,89 29,16 0,49 1,96 4,84 54,76 0,49 21,16 1,44 6,76 1,44 21,16 7,84 43,56 1,69 21,16 53,29 73,96 Qxx = 88,10 Qyy = 576,40

Abbildung 43: Negative Korrelation

Aus dem Beispiel resultiert nun ein negativer Wert des Korrelationskoeffizienten: r

Q xy Q xx  Q yy



 166,20 88,10  576,40

 0,738

Der Wert von -0,738 zeigt nun eine relativ starke (negative) Beziehung zwischen Beschäftigtenzahl und Stundensatz. Steigende (sinkende) Stundensätze gehen einher mit einem sinkenden (steigenden) Beschäftigungsniveau.25 2.4.3.2

Korrelationskoeffizient nach Bravais-Pearson für gruppierte Daten

Der Korrelationskoeffizient nach Bravais-Pearson für gruppierte Daten stellt, obwohl die Formel recht komplex erscheint, eine vereinfachende Berechnungsgrundlage dar für den Fall, dass die Daten gruppiert vorliegen. D.h., eine oder mehrere Beobachtungspaare kommen mit einer Häufigkeit > 1 vor. Der Korrelationskoeffizient errechnet sich nun aus:   x i y j n ij  r [ x i 2 n i . 

25

1  x i n i.  y jn . j n 2

( y j n . j ) ( x i n i . ) 2 ][ y j 2 n . j  ] n n

Siehe Fallstudien 21 und 22.

46

2 Beschreibende (deskriptive) Statistik

wobei nij = Anzahl der Häufigkeiten, mit der die Merkmalskombinationen xi und yj vorkommen. Beispiel: Für die in einem Produktionsunternehmen arbeitenden 70 Roboter wurde die Anzahl der Betriebsunterbrechungen yi sowie die bisherige Nutzungsdauer der Roboter xi (in Jahren) erfasst. Betriebsunterbrechung (yj) Nutzungsdauer (xi) 1 2 3 4

0

1

2

3

12 7 1 0

4 8 5 2

0 2 8 15

0 0 2 4

Abbildung 44: Korrelation für gruppierte Daten I

Erläuterung der Tabelle: 12 Maschinen waren 1 Jahr in Betrieb und hatten 0 Betriebsunterbrechungen etc. Die Berechnung des Korrelationskoeffizienten ergibt sich aus: 0

1

2

3

ni.

xini.

xi2ni.

12 7 1 0 20 0 0

4 8 5 2 19 19 19

0 2 8 15 25 50 100

0 0 2 4 6 18 54

16 17 16 21 Σ=70 Σ=87 Σ=173

16 34 48 84 Σ=182

16 68 144 336 Σ=564

yj xi 1 2 3 4 n..j yjn..j yj2n..j

Abbildung 45: Korrelation für gruppierte Daten II

mit der Nebenrechnung zur Bestimmung von ∑∑ xiyjnij: yj xi 1 2 3 4 Σ

0

1

2

3

0 0 0 0 0

4 16 15 8 43

0 8 48 120 176

0 0 18 48 66

Abbildung 46: Korrelation für gruppierte Daten III

285

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

47

Daraus errechnet sich der Wert des Korrelationskoeffizienten:

r

285 

1  182  87 70

182 2 87 2 [564  ][173  ] 70 70

 0,766

d.h. zwischen den Merkmalsausprägungen Betriebsunterbrechungen und Nutzungsdauer besteht ein recht starker positiver Zusammenhang.26 2.4.3.3

Rangkorrelationskoeffizient nach Spearman

Der Rangkorrelationskoeffizient nach Spearman findet bei ordinal skalierten Merkmalen Anwendung. Für die Ausprägungen x und y liegt also lediglich eine Rangfolge (Reihenfolge) vor, die Abstände zueinander können nicht angegeben werden. Betrachtet man die beiden Beispiele zum Korrelationskoeffizienten nach Bravais-Pearson, so können dort die metrischen Merkmale in Ränge überführt werden. Dann erhalten die kleinsten Werte den Rang 1 und die größten den höchsten Rang. Beispiel 1: Die Gewinne (xi) und Eigenkapitalquoten (yi) der 10 Unternehmen (siehe obiges Beispiel) werden wie folgt in Ränge (rg) überführt und anschließend im Rahmen der Korrelation ausgewertet. G (xi)

EKQ ( y i ) x i  x

[Tsd. €] rg [in %] rg 2 1 100 7 1 2 70 9 3 10 3 240 4 15 4 310 6 18 5 500 5 24 6 420 7 7 745 27 8 1.210 9 32 9 1.081 8 51 1.324 10 57 10 rg = 5,5 r g = 5,5

rg -3,50 -4,50 -2,50 -1,50 0,50 -0,50 1,50 3,50 2,50 4,50

Abbildung 47: Rangkorrelationskoeffizient

26

Siehe Fallstudie 23.

y i  y ( x i  x )  ( y i  y)

rg -4,50 -3,50 -2,50 -1,50 -0,50 0,50 1,50 2,50 3,50 4,50

15,75 15,75 6,25 2,25 -0,25 -0,25 2,25 8,75 8,75 20,25 Qxy = 79,50

(x i  x ) 2

( y i  y) 2

12,25 20,25 20,25 12,25 6,25 6,25 2,25 2,25 0,25 0,25 0,25 0,25 2,25 2,25 12,25 6,25 6,25 12,25 20,25 20,25 Qxx = 82,50 Qyy = 82,50

48

rs 

2 Beschreibende (deskriptive) Statistik

Q xy Q xx  Q yy



79,50 82,50  82,50

 0,964

Der ursprünglich errechnete Korrelationskoeffizient für kardinale Daten ergab einen Wert von 0,924. Durch die Überführung in ordinale Daten verstärkt sich die Korrelation auf den Wert 0,964, was auf einen fast streng monotonen Zusammenhang hindeutet. Beim Rangkorrelationskoeffizienten kann sich ein, wenn auch leicht zu lösendes Problem ergeben und zwar dann, wenn mehrere Werte gleich groß sind. Dann verwendet man den Mittelwert der Einzelränge. Dies kann anhand des Beispiels 2 untersucht werden. Beispiel 2: Entwicklung der Beschäftigtenzahlen (yi in Tsd.) sowie der branchenüblichen Stundensätze (xi in €) der zurückliegenden 10 Jahre. xi

yi

[in €] rg [in Tsd.] rg 10 6,0 1 42 8 8,0 3 30 7 9,0 6,5 26 9 7,5 2 32 4 9,0 6,5 20 6 8,5 4,5 22 4 8,5 4,5 20 2 12,5 9 18 4 11,0 8 20 1 17,0 10 16 r g = 5,5 r g = 5,5

xi  x

y i  y ( x i  x )  ( y i  y)

rg -4,50 -2,50 1,00 -3,50 1,00 -1,00 -1,00 3,50 2,50 4,50

rg 4,50 2,50 1,50 3,50 -1,50 0,50 -1,50 -3,50 -1,50 -4,50

-20,25 -6,25 1,50 -12,25 -1,50 -0,50 1,50 -12,25 -3,75 -20,25 Qxy = -74,00

(x i  x ) 2

( y i  y) 2

20,25 20,25 6,25 6,25 1,00 2,25 12,25 12,25 1,00 2,25 1,00 0,25 1,00 2,25 12,25 12,25 6,25 2,25 20,25 20,25 Qxx = 81,50 Qyy = 80,50

Abbildung 48: Rangkorrelationskoeffizient – die Rangproblematik

In obigem Beispiel wurden für insgesamt 10 Jahre die Beschäftigtenzahlen sowie die branchenüblichen Stundensätze angegeben und diese in Ränge überführt. Beim Stundensatz sind die ersten drei Ränge eindeutig zu vergeben, denn 6,- € stellt den niedrigsten Stundensatz dar und erhält somit den Rang 1, gefolgt von 7,50€ (2) und 8,-€ (3). Der nächstgrößte Stundensatz ist 8,50€, der jedoch zweimal vorkommt. Somit teilen sich diese beiden Merkmale den Rang 4 und 5 (im Mittel 4,5). 9,-€ ist ebenfalls zweimal vorhanden. Diese Merkmale teilen sich somit die nächsten freien Ränge 6 und 7 (im Mittel 6,5). Eindeutig, weil nur jeweils einmal vorhanden, sind die nächsten und letzten drei Ränge 8 bis 10. Alternativ ist bei den Beschäftigtenzahlen vorzugehen. Hier wiederholt sich der Wert 20 gleich dreimal, so dass hier die Mittelung der Ränge 3 bis 5 vorgenommen werden muss.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik rs 

Q xy Q xx  Q yy



 74,00 81,50  80,50

49

 0,9136

Auch bei diesem ermittelten Rangkorrelationskoeffizienten verstärkt sich die negative Beziehung im Vergleich zum Korrelationskoeffizienten nach Bravais-Pearson. Dort ergab sich der Wert von -0,73827

2.4.4

Regressionsanalyse

Ebenso wie es zur Korrelationsanalyse verschiedene Ausprägungen gibt, kommt die Regressionsanalyse in unterschiedlichen Varianten vor.28 Die einfache (lineare) Regression unterstellt zwischen einer abhängigen und einer unabhängigen Variablen einen linearen Zusammenhang. Die multiple (lineare) Regression unterstellt zwischen einer/mehreren abhängigen und mehreren unabhängigen Variablen einen linearen Zusammenhang. Die quasilineare Regression führt eine nichtlineare Beziehung zwischen abhängigen und unabhängigen Variablen durch geeignete Transformation wieder in einen linearen Ansatz zurück. Die nichtlineare Regression geht davon aus, dass es auch durch Transformation nicht möglich ist, die Beziehung zwischen abhängigen und unabhängigen Variablen zu linearisieren und benutzt deshalb im Vergleich zu den ersten drei Verfahren einen modifizierten Ansatz. Im Folgenden wird näher auf die einfache und die multiple lineare Regression eingegangen, denn sie haben in den Wirtschaftswissenschaften die größte Bedeutung. 2.4.4.1

Lineare Einfachregression

Die lineare Einfachregression beschreibt den Zusammenhang zwischen zwei quantitativen Variablen, bei der die eine Variable die Ursache (Einflussgröße x, unabhängige oder exogene Größe) und die andere Variable die Wirkung (Zielgröße y, abhängige oder endogene Größe) ist. Gelegentlich wird sie auch als Hilfskonstruktion zur Beurteilung von Korrelationen verwendet. Während die Korrelation jedoch die Stärke des Zusammenhangs zwischen zwei Variablen bestimmt, untersucht die Regressionsanalyse, ob es überhaupt einen (positiven oder negativen) Zusammenhang zwischen den beiden Variablen gibt. Mit der gefundenen Regressionsgeraden kann man im Anschluss Schätzungen (Prognosen) für die Zielgröße y vornehmen. Dies ist das eigentliche Ziel der Regressionsanalyse.

27

Siehe Fallstudien 24 und 25.

28

Zur weiterführenden Literatur vgl. Backhaus K./Erichson B./Plinke W./Weiber R., 2008, S. 45ff.

50

2 Beschreibende (deskriptive) Statistik

2.4.4.1.1

Schätzung des Steigungsmaßes und des Achsenabschnittes

Der Regressionsansatz schätzt die „Gleichung der besten Geraden“ yˆ i  b1  b 2  x i

Als Kriterium gilt: n

2  y i  yˆ i   Minimum

i 1

Der Achsenabschnitt b1 und das Steigungsmaß b2 werden so bestimmt, dass die Summe der ^

quadrierten Abweichungen zwischen den Schätzwerten y i und den Messwerten yi über alle n Messwerte so klein wie möglich ist. Deshalb spricht man auch von der Methode der kleinsten Quadrate, weil die Abstände der Messwerte von der Geraden in y-Richtung minimiert werden (vgl. auch die nächsten Graphiken). Aus der Minimum-Bedingung können folgende Berechnungsformeln für b1 und b2 abgeleitet werden: n

b2 

 (x i  x)  (yi  y)

i 1

n

 (x i  x)

2



Q xy Q xx

i 1

b1  y  b 2  x

Erläutert werden soll dieser Sachverhalt wiederum anhand der bereits bekannten Beispiele. Beispiel 1: In der vorangegangenen Untersuchung wurde der Zusammenhang zwischen der Eigenkapitalquote und dem Jahresgewinn von Unternehmen untersucht. Im Rahmen der Regressionsanalyse soll nun untersucht werden, ob die Eigenkapitalquote möglicherweise vom Gewinn abhängig ist (d.h. hohe Gewinne führen im Zuge der möglichen Gewinnthesaurierung zu hohen Eigenkapitalquoten, während niedrige Gewinn bzw. Verluste die Eigenkapitalquote kleiner werden lässt bzw. sogar aufzehrt). Unterstellt wird der funktionale lineare Zusammenhang:

Eigenkapitalquote  f (Gewinn) 

Die Eigenkapitalquote (EKQ) wird als Funktion des Gewinnes (G) betrachtet, wobei man eine positive Beziehung (hier ausgedrückt durch das Pluszeichen) annimmt und im Folgenden anhand von 10 Unternehmen untersucht:

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik G (xi) EKQ ( y i ) x i  x [Tsd. €] [in %] 100 7 -500 70 9 -530 240 10 -360 310 15 -290 500 18 -100 420 24 -180 745 27 145 1.210 32 610 1.081 51 481 1.324 57 724 x = 600 y = 25

y i  y ( x i  x )  ( y i  y)

-18 -16 -15 -10 -7 -1 2 7 26 32

9.000 8.480 5.400 2.900 700 180 290 4.270 12.506 23.168 Qxy = 66.894

(x i  x )2

51 ( y i  y) 2

250.000 324 280.900 256 129.600 225 84.100 100 10.000 49 32.400 1 21.025 4 372.100 49 231.361 676 524.176 1.024 Qxx = 1.935.662 Qyy = 2.708

Abbildung 49: Regressionsanalyse I

b2 

Q xy Q xx



66.894  0,035 1.935.662

b1  y  b 2  x  25  0,035  600  4

Die Regressionsgerade lautet somit yˆ  4  0,035  x Graphisch liegt die Gerade in der Punktewolke, und zwar so, dass die Summe der quadrierten Abweichungen der tatsächlichen Werte von den Schätzwerten minimiert wird.

52

2 Beschreibende (deskriptive) Statistik

EKQ

Eigenkapitalquote und Gewinn von 10 Unternehmen 60 50 40 30 20 10 0 0

500

1000

1500

Gewinn

Abbildung 50: Die Methode der „kleinsten Quadrate“ I

Die geschätzte Regressionsgerade kann nun zur Prognose herangezogen werden. Bspw. könnte man die Eigenkapitalquote bei einem Gewinn von 800 Tsd. € schätzen, indem der Gewinn in die Funktion eingesetzt wird: yˆ  4  0,035  800  32

Die prognostizierte Eigenkapitalquote bei einem unterstellten Gewinn von 800 Tsd. € würde folglich bei 32% liegen. Betrachten wir kurz die Beziehung zwischen dem Regressionsansatz und der Korrelation. Diese besteht zwischen der Steigung der Regressionsgeraden (b2) und dem Korrelationskoeffizienten. Beide haben das gleiche Vorzeichen. Das Steigungsmaß der Regressionsgeraden b2 ist mit +0,035 positiv, der Korrelationskoeffizient hat den Wert: r 

Q xy Q xx  Q yy



66.894 1.935.662  2.708

 0,924

Wir haben hier also aufgrund der Normierung [-1, +1] einen sehr starken positiven Zusammenhang zwischen dem Gewinn und der Eigenkapitalquote. Anhand der Formeln erkennt man, dass das Vorzeichen von Qxy die Beziehung angibt. Ein positives Vorzeichen bedeutet einen positiven Korrelationskoeffizienten und eine positive Steigung der Regressionsgeraden und umgekehrt.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

53

Beispiel 2: Unterstellen wollen wir nun, dass die Beschäftigtenzahlen (in Tsd.) der zurückliegenden 10 Jahre von den Stundenlöhnen (in €) abhängig sind. Es wird vermutet, dass mit steigendem Stundenlohn die Beschäftigtenzahlen zurückgehen und umgekehrt, die Beschäftigung (y) korreliert dann also negativ mit dem Stundenlohn (x): Beschäftigung  f (Stundenlohn ) 

xi yi xi  x [in €] [in Tsd.] 6,0 42 -3,7 8,0 30 -1,7 9,0 26 -0,7 7,5 32 -2,2 9,0 20 -0,7 8,5 22 -1,2 8,5 20 -1,2 12,5 18 2,8 11,0 20 1,3 17,0 16 7,3 x = 9,7 y = 24,6

y i  y ( x i  x )  ( y i  y)

17,4 5,4 1,4 7,4 -4,6 -2,6 -4,6 -6,6 -4,6 -8,6

-64,38 -9,18 -0,98 -16,28 3,22 3,12 5,52 -18,48 -5,98 -62,78 Qxy = -166,20

(x i  x ) 2

( y i  y) 2

13,69 302,76 2,89 29,16 0,49 1,96 4,84 54,76 0,49 21,16 1,44 6,76 1,44 21,16 7,84 43,56 1,69 21,16 53,29 73,96 Qxx = 88,10 Qyy = 576,40

Abbildung 51: Regressionsanalyse II

Bereits an den Zahlen erkennt man den steigenden Verlauf des Stundenlohns (x) und den fallenden Verlauf der Beschäftigtenzahlen (y), was dann auch im Steigungsmaß der Regression (b2) sowie im Korrelationskoeffizienten (r) seinen Niederschlag findet: b2 

Q xy Q xx



 166.20  1,89 88,10

b1  y  b 2  x  24,6  1,89  9,7  42,93

Die Regressionsgerade lautet somit yˆ  42,93  1,89  x Wie oben bereits beschrieben, bedeutet ein negatives Vorzeichen des Steigungsmaßes b2, dass der Korrelationskoeffizient ebenfalls negativ sein muss. Berechnet man diesen, so ergibt sich: r 

Q xy Q xx  Q yy



 166,20 88,10  576,4

 0,74

54

2 Beschreibende (deskriptive) Statistik

Graphisch lässt sich der negative Zusammenhang zwischen den beiden Merkmalen Stundenlohn und Beschäftigtenzahl anhand der negativ verlaufenden Punktewolke sowie der darin liegenden Regressionsgeraden verdeutlichen. Beschäftigung und Stundenlohn der letzten 10 Jahre

Beschäftigung

50 40 30 20 10 0 0

5

10

15

20

Stundenlöhne

Abbildung 52: Die Methode der „kleinsten Quadrate“ II

Auch hier wiederum ließe sich jetzt die Beschäftigtenzahl bei einem bestimmten Stundenlohn prognostizieren. Bspw. würde bei einem Stundenlohn von 20,- € die (geschätzte) Beschäftigung weiter zurückgehen, und zwar auf 5,13 Tsd. yˆ  42,93  1,89  20  5,13

2.4.4.1.2

Bestimmtheitsmaß und Residuen als wichtige Zusatzinformationen

Später im Rahmen der Testtheorie werden Prüfmaße vorgestellt, mit denen man die Regressionskoeffizienten auf ihre Bedeutung (Signifikanz) hin untersuchen kann. An dieser Stelle aber werden bereits zwei wichtige Komponenten genannt, die die Güte und die Sinnhaftigkeit des Regressionsansatzes überprüfen sollen. Diese sind das Bestimmtheitsmaß (B) sowie die so genannten Residuen. Das Bestimmtheitsmaß gibt den Anteil der Summe der quadrierten Abweichungen Qyy der y-Werte an, der durch die Regression erklärt wird und liefert damit eine Aussage über die Güte der Regression. B lässt sich im Rahmen der linearen Einfachregression auf zwei Arten berechnen, wobei zunächst die vom Rechenaufwand etwas einfachere Methode erläutert wird. Danach ergibt sich das Bestimmtheitsmaß aus:

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

B

Q 2xy Q xx  Q yy

55

 r2

Ebenso wie beim Korrelationskoeffizienten handelt es sich beim Bestimmtheitsmaß um ein normiertes Maß, denn es gilt immer 0  B  1. Für die beiden obigen Beispiele ergeben sich die Werte: Beispiel 1: B 

Beispiel 2: B 

Q 2xy Q xx  Q yy

Q 2xy Q xx  Q yy



66.894 2  0,85 1.935.662  2.708



 166,202  0,54 88,10  576,4

Die Interpretation dieser Werte ist wie folgt: 85% (54%) der Entwicklung der Eigenkapitalquote (Beschäftigtenzahlen) lassen sich auf die Entwicklung des Gewinnes (des Stundenlohns) zurückführen. Die übrigen 15% (46%) gehen auf andere Faktoren zurück, die nicht im linearen Regressionsansatz enthalten sind. Damit können wir beim Beispiel 1 von einer hohen Güte und damit von einem sinnvoll gewählten Regressionsansatz ausgehen, während man im Beispiel 2 noch weitere Faktoren als erklärende Variable mit aufnehmen sollte, um die Güte zu erhöhen (siehe dazu auch das Kapitel zur linearen Mehrfachregression). Als Faustformel kann festhalten werden, dass im Rahmen der Regressionsanalyse B ≥ 80% gefordert wird. Die zweite etwas aufwendigere Methode, das Bestimmtheitsmaß zu berechnen, geht auf die eigentlichen Grundüberlegungen des Regressionsansatzes zurück und findet spätestens beim multiplen Regressionsansatz Anwendung. Hierbei wird die Gesamtabweichungsquadratsumme (SQT) in die erklärte Abweichungsquadratsumme (SQE) und in die nicht erklärte Abweichungsquadratsumme (SQR) zerlegt, so dass gilt: SQT = SQE + SQR aus dem sich dann das Bestimmtheitsmaß B

SQE SQT

ergibt. Betrachten wir dazu das Beispiel 2 und überlegen zunächst, wie sich die Abweichungsquadratsummen berechnen lassen. Diese ergeben sich aus: n

SQT   ( y i  y) 2 i 1

n



SQE   ( y i  y) 2 i 1

und

n



SQR   ( y i  y i ) 2 i 1

Wir benötigen neben den aktuellen Werten der einzelnen Perioden yi folglich deren Mittel

wert y und die prognostizierten Werte y i zu den einzelnen Perioden.

56

2 Beschreibende (deskriptive) Statistik

yi [in Tsd.]

42 30 26 32 20 22 20 18 20 16 y = 24,6

xi [in €] 6,0 8,0 9,0 7,5 9,0 8,5 8,5 12,5 11,0 17,0



( y i  y) 2

( y i  y) 2

( yi  yi ) 2

31,58 27,81 25,92 28,75 25,92 26,86 26,86 19,32 22,15 10,83

302,76 29,16 1,96 54,76 21,16 6,76 21,16 43,56 21,16 73,96 ∑ = 576,40

48,72 10,29 1,74 17,22 1,74 5,12 5,12 27,90 6,01 189,65 ∑ = 313,54

108,58 4,81 0,01 10,56 35,05 23,66 47,11 1,74 4,61 26,74 ∑ = 262,86

yi





Abbildung 53: Ableitung des Bestimmtheitsmaßes

Erläuterung: Die prognostizierten Werte der jeweiligen Perioden ergeben sich durch Einsetzen des x-Wertes in die Schätzgleichung yˆ  42,93  1,89  x (Achtung: Es ergeben sich in obiger Tabelle Rundungsdifferenzen!). Der Wert der ersten Periode (31,58) ergibt sich beispielhaft aus 42,93 – 1,89 . 6. Schließlich leitet sich das Bestimmtheitsmaß ab: 29 B

SQE 313,54   0,54  54% SQT 576,40

Die zweiten wichtigen Komponenten, die uns eine Aussage über die Sinnhaftigkeit des Regressionsansatzes erlaubt, sind die Residuen. Mit den Residuen ist die Reststreuung um die Regressionsgerade gemeint, die durch n

2  (yi  yˆ i )  (1  B)  Q yy

i 1

berechnet wird. Dabei bezeichnet man die Abweichungen der y-Werte von der Regressionsgerade ( y i  yˆ i ) als Residuen. Es wird dringend empfohlen, Residuen grafisch zu beurteilen, wobei man Auftragungen gegen die Nummer des Versuchs, gegen die erklärenden Variablen x oder gegen die zu erklärende Variable y vornehmen kann. Nachfolgend sind Muster gezeigt, wie die Residuen aussehen bzw. nicht aussehen sollten:

29

Siehe Fallstudien 26 und 27.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

57

Residuen

So sollte das Ergebnis einer Darstellung der Residuen gegen die Versuchsnummer i (d.h. in der Reihenfolge der Versuchsdurchführung) aussehen: Kein Trend ist erkennbar, die Residuen liegen in einem waagrechten Band und streuen zufällig.

Residuen

So sollte das Ergebnis nicht aussehen: Es ist ein Trend erkennbar, die Residuen nehmen mit der Versuchsnummer zu, streuen also nicht zufällig. 0

5

10

15

20

25

Einflußgröße x

So sollte das Ergebnis einer Auftragung gegen x aussehen: Es sind nur zufällige Abweichungen vom Modell (waagrechtes Band) erkennbar.

Einflußgröße x

So sollte das Ergebnis nicht aussehen: Das Modell beschreibt die funktionale Form der Abhängigkeit nicht richtig (es liegt keine Linearität vor).

Residuen

Residuen

Versuchsnummer i

Residuen

Residuen

Einflußgröße x

Einflußgröße x

Residuen

Residuen

So sollte das Ergebnis einer Auftragung der Residuen gegen den berechneten Wert der Zielgröße yˆ aussehen: Es ist keine Veränderung der Standardabweichung mit dem berechneten y-Wert erkennbar, die Residuen liegen in einem waagrechten Band.

So sollte das Ergebnis nicht aussehen: Die Standardabweichung nimmt mit dem berechneten y-Wert zu, die Residuen liegen in einem Trichter. Berechnete Zielgröße y

Abbildung 54: Graphische Darstellung der Residuen

58 2.4.4.2

2 Beschreibende (deskriptive) Statistik Lineare Mehrfachregression

Häufig kommt man mit der linearen Einfachregression, d.h. mit der Erklärung der abhängigen Variablen y durch nur eine unabhängige Variable x nicht weiter. Dann versucht der Statistiker, durch die Aufnahme von weiteren unabhängigen Variablen (den Regressoren) die Erklärung von y zu verbessern. In obigem Beispiel 2 im Rahmen der linearen Einfachregression wurde die Entwicklung der Beschäftigung lediglich durch die Entwicklung des Stundenlohns erklärt. Das Bestimmtheitsmaß war mit 0,54 „verbesserungswürdig“. Folglich sind Überlegungen anzustellen, durch die Hinzunahme einer zweiten Variablen (hier die Umsatzerlöse) weitere Erklärungen für die Entwicklung der Beschäftigung zu liefern. Wir befinden uns dann im Bereich der linearen Mehrfachregression. In Modellform ergibt sich der Ansatz: y = b1x1 + b2x2 + b3x3 + e mit: y = Beschäftigung x2 = Stundenlohn x3 = Umsatz b1 bis b3 sind die zu schätzenden Regressionsparameter x1 = Scheinvariable, die den Wert 1 annimmt e = Residuum (Restgröße) yi [in Tsd.] 42 30 26 32 20 22 20 18 20 16

x2i [in €] 6,0 8,0 9,0 7,5 9,0 8,5 8,5 12,5 11,0 17,0

x3i [in Mrd. €] 4,6 3,2 2,9 3,0 2,3 2,5 2,4 2,2 2,2 2,0

Abbildung 55: Lineare Mehrfachregression

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

59

Da für die 2 Regressoren x2 und x3 sowie den Regressanden y jeweils n=10 Beobachtungswerte vorliegen, erhalten wir ein Gleichungssystem mit n=10 Gleichungen nach der Form: y1 = b1 + b2x21 + b3x31 y2 = b1 + b2x22 + b3x32 y3 = b1 + b2x23 + b3x33 . . y10 = b1 + b2x2,10 + b3x3,10 Verallgemeinernd gilt: y1 = b1 + b2x21 + …. bkxk1 + e1 y2 = b1 + b2x22 + …. bkxk2 + e2 y3 = b1 + b2x23 + …. bkxk3 + e3 . . yn = b1 + b2x2n + …. bkxkn + en In Matrizenform lautet das Gleichungssystem schließlich: y = Xb + e mit:

y=

y1

1

x21

x31

…

xk1

b1

e1

y2

1

x22

x32

…

xk2

b2

e2

.

X=

.

…

.

.

…

yn

1

x2n

x3n

…

Abbildung 56: Matrizen der linearen Mehrfachregression

b=

xkn

.

e=

.

.

.

bk

en

60

2 Beschreibende (deskriptive) Statistik

Ziel ist es, anhand dieser Notation die Regressionskoeffizienten des Spaltenvektors b zu bestimmen. Als Lösung für den Vektor b ergibt sich dann: b = (X´X)-1 X´y. Wir benötigen also zur Bestimmung der Regressionskoeffizienten die transponierte Matrix X´, bilden dann das Produkt der Transponierten X´ mit der Standardmatrix X, bestimmen dazu die Inverse Matrix (X´X)-1 und multiplizieren diese abschließend mit dem Produkt aus X´y. Betrachten wir unser Beispiel zur Erklärung der Beschäftigtenzahlen und berechnen die Regressionskoeffizienten b1 bis b3. Zunächst multiplizieren wir die transponierte Matrix X´ mit der X-Matrix und erhalten X´X. X 1

6,0

4,6

1

8,0

3,2

1

9,0

2,9

1

7,5

3,0

1

9,0

2,3

1

8,5

2,5

1

8,5

2,4

1

12,5

2,2

1

11,0

2,2

1

17,0

2,0

1

1

1

1

1

1

1

1

1

1

10,00

97,00

27,30

6,0

8,0

9,0

7,5

9,0

8,5

8,5

12,5

11,0

17,0

97,00

1029,00

249,85

4,6

3,2

2,9

3,0

2,3

2,5

2,4

2,2

2,2

2,0

27,30

249,85

79,79

X´

X´X

Abbildung 57: Matrix X´X

Nun folgt die Bildung der Inversen zu X´X:30

30

Zur Matrizenrechnung, insbesondere zur Herleitung der Inversen vgl. die einschlägige Literatur zur Mathematik, bspw. Sydsaeter K./Hammond S., 2009, S. 621ff.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

(X´X)-1 =

8,210056

-0,383293

-1,608832

-0,383293

0,021949

0,062413

-1,608832

0,062413

0,367554

61

Abbildung 58: Bildung der Inversen

Multiplizieren wir nun die Inverse (X´X)-1 mit dem Produkt aus X´y, erhalten wir abschließend den Spaltenvektor, der als Information die Regressionskoeffizienten für b1, b2 und b3 enthält: y 42,0 30,0 26,0 32,0 20,0 22,0 20,0 18,0 20,0 16,0 X´ 1

1

1

1

1

1

1

1

1

1

246,0

6,0

8,0

9,0

7,5

9,0

8,5

8,5

12,5

11,0

17,0

2.220,0

4,6

3,2

2,9

3,0

2,3

2,5

2,4

2,2

2,2

2,0

725,2

X´y

8,210056

-0,383293

-1,608832

2,0377

b1

-0,383293

0,021949

0,062413

-0,3013

b2

-1,608832

0,062413

0,367554

9,3352

b3

(X´X)-1 Abbildung 59: Ermittlung der Regressionsparameter

b

62

2 Beschreibende (deskriptive) Statistik

Damit lautet die gesuchte Regressionsfunktion: y = 2,0377 - 0,3013x2 + 9,3352x3 + e Betrachten wir auch hier alternativ zum vorangegangenen Kapitel das Bestimmtheitsmaß, um zu überprüfen, ob sich die Güte der Regression durch die Hinzunahme des Regressanden x3 (Umsatz) verbessert hat. yi [in Tsd.]

42 30 26 32 20 22 20 18 20 16 y = 24,6

x2i

x3i



[in €] [in Mrd.€] 6,0 8,0 9,0 7,5 9,0 8,5 8,5 12,5 11,0 17,0

4,6 3,2 2,9 3,0 2,3 2,5 2,4 2,2 2,2 2,0

( y i  y) 2

yi

43,17 29,50 26,40 27,78 20,80 22,81 21,88 18,81 19,26 15,59



( y i  y) 2



( yi  yi ) 2

302,76 344,91 1,37 29,16 24,01 0,25 1,96 3,23 0,16 54,76 10,13 17,78 21,16 14,46 0,63 6,76 3,19 0,66 21,16 7,39 3,54 43,56 33,54 0,65 21,16 28,51 0,55 73,96 81,26 0,17 ∑ = 576,40 ∑ = 550,63 ∑ = 25,77

Abbildung 60: Das Bestimmtheitsmaß

B

SQE 550,63   0,96  96% SQT 576,40

Durch die Hinzunahme des Regressanden x3 konnte folglich eine deutliche Verbesserung des Regressionsansatzes erzielt werden. Nun werden ca. 96% durch den Regressionsansatz (Stundenlöhne und Umsatzentwicklung) erklärt und lediglich ca. 4% gehen auf andere, nicht im Ansatz enthaltene Faktoren zurück.31

2.4.5

Kontingenztafel

Die Kontingenztafel beschreibt die Beziehung zweier nominal oder ordinal skalierter Merkmale, wobei die Vorgehensweisen sowie die Interpretationen in beiden Fällen identisch sind.

31

Siehe Fallstudien 28 und 29.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

63

Häufig werden zu einem Element (Objekt) mehrere nominale/ordinale Merkmale erfasst. Die Frage im Bereich der Kontingenztafeln ist, ob zwischen diesen ein Zusammenhang besteht oder nicht. Beispiel 1: Ein Forschungsinstitut hat die Aufgabe zu untersuchen, ob es eine Beziehung zwischen dem Einkommen und dem Kauf einer bestimmten Automarke gibt. Nachfolgende Tabelle zeigt die Auswertung zu 200 befragten Personen. Dabei teilte das Institut die Personen in die Einkommenskategorien niedrig, mittel und hoch. Einkommen Automarke

niedrig

mittel

hoch

VW Audi BMW

65 10 2

6 52 4

2 6 53

Abbildung 61: Kontingenztafel I

Die Tabelle scheint auf den ersten Blick darauf hinzudeuten, dass die Bezieher niedriger Einkommen tendenziell zu VW, die Bezieher mittlerer Einkommen verstärkt zu Audi und die Besserverdienenden stärker zu BMW tendieren. Es gilt, dieses nun näher zu untersuchen, wobei zunächst die allgemeingültige Kontingenztafel vorgestellt werden soll:

Merkmal B Merkmal A

1

2

...

j

...

l

Randsumme

1

n11

n12

...

n1 j

...

n1l

n1.

2

n 21

n 22

...

n2j

...

n 2l

n 2.

...

...

...

...

...

...

...

...

i

n i1

n i2

...

n ij

...

n il

n i.

...

...

...

...

...

...

...

...

k

n k1

n k2

...

n kj

...

n kl

n k.

Randsumme

n .1

n .2

...

n.j

...

n .l

n ..  n

Abbildung 62: Kontingenztafel II

nij heißt Besetzungszahl und ist die Anzahl der Objekte, für die Merkmal A den Wert i und Merkmal B den Wert j hat.

64

2 Beschreibende (deskriptive) Statistik

n i. und n . j heißen Randhäufigkeiten oder Randsummen. n i. ist die Gesamtzahl der Ob-

jekte, für die Merkmal A den Wert i hat. n . j ist die Gesamtzahl der Objekte, für die Merkmal B den Wert j hat. Wenn die Merkmale A und B unabhängig voneinander sind, erwartet man als Besetn i.  n . j , dem Erwartungswert. zungszahl der Zelle ij einen Wert in der Nähe von n

Damit ist

 2beob

n n    n ij  i. . j   k l n    n i.  n . j i 1 j1

2

die Maßzahl für die Abweichung von der Unabhängigkeit.

n

In Worten:  2beob  Summe über alle Zellen von

(beobachtet  erwartet) 2 . erwartet

Übertragen auf das obige Beispiel ergeben sich daraus die Werte: Einkommen Automarke VW Audi BMW

niedrig

mittel

hoch

Randsumme

nij

erw

2

nij

erw

2

nij

erw

2

65 10 2

28,11 26,18 22,72

48,41 10,00 18,89

6 52 4

22,63 21,08 18,29

12,22 45,35 11,16

2 6 53

22,27 20,74 18,00

18,45 10,48 68,06

Randsumme 77

62

61

73 68 59 200

Abbildung 63: Ermittlung von χ2 I 2

Dabei ist z.B. der Erwartungswert und der  -Wert zu n11 7773/200 = 28,11 bzw. 2 (6528,11) /28,11 = 48,41. Als Summe über die 9 Zellen stellt sich ein: χ 2beob  243,02 . 2

Es gilt: Je größer  , desto stärker ist der Zusammenhang zwischen den Merkmalen. Proble2 matisch jedoch ist in diesem Zusammenhang, dass das Kontingenzmaß  kein normiertes Maß ist, wie bspw. der Korrelationskoeffizient, so dass sich der Wert 243,02 sehr schlecht interpretieren lässt. Diesem Nachteil steht eine Reihe von Vorteilen gegenüber. So ist das Kontingenzmaß relativ anschaulich und ermöglicht es, trotz nominaler Daten statistische Aussagen treffen zu können.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

65

2

Was sich zum  –Wert ohne weitere Bearbeitung sagen lässt ist, dass der Maximalwert 

2 max

= n  (M1) ist, wobei M = min (k, l),

mit k = Anzahl der Merkmale der Zeilen und l = Anzahl der Merkmale der Spalten. In obigem Beispiel wurden 200 Personen befragt, die Spalten- und Zeileninformationen (Anzahl der Automarken und Rubriken der Einkommen) waren jeweils 3, so dass M - 1 = 2 2 und  max = 200  2 = 400 ist. Die berechneten 243,02 liegen also jenseits der 50%-Marke. 2 Nachfolgend wird das nicht normierte  -Maß in ein normiertes Maß überführt. Dazu gibt es eine Reihe von Möglichkeiten, wobei hier auf ein geläufiges und recht einfach anzuwendendes Maß abgestellt wird, das so genannte Tschuprow-Maß (T-Maß). Es gilt:

T=

2 n  (k  1)  (l  1)

mit der Normierung 0 ≤ T ≤ 1, wobei k = Anzahl der Zeilenvariablen und l = Anzahl der Spaltenvariablen bedeuten. Je größer T, desto stärker ist die Abhängigkeit der untersuchten Merkmale und umgekehrt. Im Beispiel ergibt sich: T=

2 n  (k  1)  (l 1)



243,02 200  (3  1)  (3  1)

 0,608

Es liegt also eine relativ starke Beziehung vor zwischen den Einkommensklassen und den gefahrenen Automarken. Diese Informationen könnten jetzt bspw. die BMW-Produzenten dazu nutzen, um mit gezielten Werbemaßnahmen die Bezieher hoher Einkommen anzusprechen, während VW sich eher auf die unteren Einkommensbezieher konzentrieren würde. Natürlich könnte die Strategie auch genau entgegengesetzt sein, indem bspw. BMW versucht, durch ein günstigeres Modell auch Konsumenten mit weniger Einkommen anzusprechen. Beispiel 2: Betrachtet wird das Beispiel 1, jedoch diesmal mit ganz extremen Ausprägungen. Es soll gleichzeitig zur Demonstration dienen, dass2 maximal n  (M1) ist und dass das TMaß in diesem Beispiel den Wert 1 annimmt:

66

2 Beschreibende (deskriptive) Statistik

Einkommen Automarke

niedrig

mittel

hoch

VW Audi BMW

77 0 0

0 62 0

0 0 61

Abbildung 64: Kontingenztafel III

Es stellt sich die Situation ein, dass alle 77 Personen mit niedrigem Einkommen VW, alle 62 Personen mit mittlerem Einkommen Audi und die 61 Personen mit hohem Einkommen BMW fahren. Die Beziehung zwischen den Einkommensklassen und den gefahrenen PKW ist also extrem ausgeprägt, wie nachstehende Berechnung zeigt: Einkommen Automarke

niedrig nij

VW Audi BMW Randsumme

mittel 2

erw

nij erw

hoch 2

nij erw

Randsumme 2

77 29,65 75,65 0 23,87 23,87 0 23,49 23,49 0 23,87 23,87 62 19,22 95,22 0 18,91 18,91 0 23,49 23,49 0 18,91 18,91 61 18,61 96,61

77 62 61

77

200

123,00 62

138,00 61

139,00

2

Abbildung 65: Ermittlung von χ II

χ 2beob  123  138  139  400  χ 2max  200  (3  1) 32

T=

400 200  (3  1)  (3  1)

1

Es besteht folglich ein perfekter Zusammenhang zwischen den beiden untersuchten Merkmalen. 33

2.4.6

Zeitreihenanalyse

Bei der Zeitreihenanalyse handelt es sich weder um eine bivariate, noch eine multivariate Fragestellung, sondern es wird ein Merkmal im Zeitablauf, also über mehrere Perioden betrachtet. Das können Tage, Wochen, Monate oder aber Jahre sein. Ziel im Rahmen der Zeitreihenanalyse ist es, das Merkmal in einzelne Komponenten zu zerlegen.

32

Beim ermittelten Chi-Quadratwert ergaben sich minimale Rundungsdifferenzen.

33

Siehe Fallstudien 30 und 31.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

67

Dabei sind zu unterscheiden:    

die Saisonkomponente (sk) die Konjunkturkomponente (kk) die Trendkomponente (tk) sowie die zufällige Komponente (zk).

Sehr schwierig, weil sowohl von großer statistischer Erfahrung als auch von sehr langen Zyklen abhängig, ist die Betrachtung der Konjunkturkomponente. Um diese halbwegs qualifiziert und aussagefähig herauszuarbeiten und interpretieren zu können, wären sehr große Zeitreihen notwendig.34 Deshalb scheidet die Ermittlung der Konjunktur in der hier vorliegenden Analyse aus. Die Trendkomponente kann durch eine Regressionsanalyse geschätzt werden. Dabei ist das untersuchte Merkmal die zu erklärende Variable (die endogene Variable, der Regressand oder auch die abhängige Variable genannt), während die Zeit die erklärende Variable (die exogene Variable, der Regressor oder auch die unabhängige Variable genannt) darstellt. Die Berechnung der Trendkomponente wird am Ende des Kapitels vorgenommen. Hauptaugenmerk im Rahmen der hier diskutierten Zeitreihenanalyse ist somit die Berechnung der Saisonkomponente. Sie soll anhand des Merkmals der Arbeitslosenquote erläutert werden, die unterjährig in immer gleichen wiederkehrenden Zeitintervallen und zwar quartalsweise erhoben und dargestellt wird. Die Arbeitslosenquote liefert zwei Informationen. Die erste Information stellt die prozentuale Entwicklung der Arbeitslosigkeit zwischen zwei aufeinander folgenden Quartalen dar, die zweite Information zeigt die saisonale Entwicklung. So kann es bspw. sein, dass die Arbeitslosenquote vom 3. auf das 4. Quartal des aktuellen Jahres von 7,9% auf 8,4% angestiegen ist, während saisonbereinigt die Arbeitslosenquote gesunken ist. Dieser Sachverhalt der Saisonbereinigung soll im nächsten Kapitel anhand der Umsatzerlösentwicklung eines Unternehmens genauer untersucht werden. Die Zufallskomponente (zufällige Komponente oder auch Restschwankung) schließlich ergibt sich als „Abfallprodukt“ aus der Saisonbereinigung. Die Zeitreihen können sich sowohl additiv als auch multiplikativ zusammensetzen. Additiv:

y A  sk  kk  tk  zk

Multiplikativ:

y M  sk  kk  tk  zk

Durch Logarithmieren lässt sich ein multiplikativ verknüpftes Modell in ein additives Modell überführen, so dass dann gilt: ln( y M )  ln(sk )  ln(kk )  ln(tk )  ln(zk ) .

Die weitere Darstellung konzentriert sich auf die Eliminierung der Saisonkomponente und die Prognose der Trends. 34

Dies sind beispielhaft die Kondratjewwellen, für die ein Zeitraum von 30 Jahren verfügbar sein müsste.

68

2 Beschreibende (deskriptive) Statistik

2.4.6.1

Saisonbereinigung

Die Saisonbereinigung verläuft in mehreren Schritten. In einem ersten Schritt erfolgt die Glättung von Zeitreihen (gleitende Durchschnittsbildung). Es ist dabei zu beachten, dass der gleitende Durchschnitt immer das gleiche Zeitintervall umfassen muss (meist ein Jahr) und dass der betrachtete Zeitpunkt den Mittelpunkt der miteinbezogenen Werte bildet.35 Betrachtet werden sollen zwei Fälle. Zunächst wird das Jahr in drei gleiche Intervalle eingeteilt, im zweiten Beispiel in vier. Beispiel 1: Periode ist in ungerade Anzahl von Intervallen (hier drei) eingeteilt Jahr Periode yt yt

I 27

1 II 36 31

III 30 32

I 30 30

2 II 30 33

III 39 33,7

I 32 34,3

3 II 32 34,7

III 40

Abbildung 66: gleitender Durchschnitt I

Der gleitende Durchschnitt y t (Umsatzerlöse in Mio. €) ist der Mittelwert von 3 Intervallen, zentriert beim jeweils betrachteten Intervall. Aus der Berechnungsweise wird klar, dass für den ersten Wert des ersten Jahres und den letzten Wert des dritten Jahres keine gleitende Durchschnittsbildung erfolgen kann, denn hierzu würde man den dritten Wert des Jahres 0 bzw. den ersten Wert des Jahres 4 benötigen. Auf diese Problematik wird später noch näher eingegangen, denn es besteht die Möglichkeit, diese Intervalle zu schätzen. Erklärung: 31  13  (27  36  30) steht als gleitender Durchschnitt an der Stelle des zweiten Intervalls (II) des ersten Jahres. Der gleitende Durchschnitt ist somit nichts anderes als der Mittelwert, wobei alle einbezogenen Werte mit dem gleichen Gewicht berücksichtigt werden. Beispiel 2: Periode ist in gerade Anzahl von Intervallen (hier vier) eingeteilt Jahr Periode yt yt

1 I 27

II 36

2 III 30 30,625

IV 28 31,375

I 30 32

II 39 32,5

III 32

IV 30

Abbildung 67: gleitender Durchschnitt II

35

Daraus resultiert ein wenn auch leicht zu lösendes Problem, sofern eine Periode in eine gerade Anzahl von Intervallen unterteilt ist. Dies wird im Rahmen des 2. Beispiels erörtert.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

69

Bei einer geraden Anzahl von Intervallen (hier 4) verwendet man den Mittelwert der beiden symmetrischen Extremwerte. Erklärung: 30,625  14  ( 12  27  36  30  28  12  30) steht als gleitender Durchschnitt an der

Stelle des dritten Quartals (III) des ersten Jahres. Bei Quartalswerten fehlen am Beginn und Ende der Zeitreihe jeweils 2 Werte, der Informationsverlust ist also noch größer als bei 3 Intervallen/Jahr. Nachdem der gleitende Durchschnitt berechnet wurde, erfolgt im zweiten Schritt die Schätzung der vorläufigen Saisonkomponente sk*i als Differenz von Ursprungswert und gleitendem Mittelwert. Diese wird dann in einem dritten Schritt über alle gleichen Intervalle gemittelt und ergibt die vorläufige Saisonkomponente sk+i. Im nachstehenden Beispiel sind dies die Werte -2,444, 4,583 und -2,111 für die Intervalle I, II und III. Beispiel 1: Umsätze in 4-Monatszeiträumen (in Mio. €)

Jahr/ Ursprungswert Intervall yt 1

2

3

4

I II III I II III I II III I II III

27 36 30 30 39 32 32 40 35 36 42 37

gleitender Mittelwert yt 31 32 33 33,666 34,333 34,666 35,666 37 37,666 38,333

sk *i  y t  y t

I

II 5

3   2,666   1,666   mittel 2,444 (sk+1)

5,333

4,333

3,666 mittel 4,583 (sk+2)

III

sk i

2,453 +4,574 2 2,120 2,453  +4,574  2,333 2,120 2,453  +4,574  2 2,120 2,453  +4,574  2,120  mittel 2,111 (sk+3)

saisonbereinigt y t* 29,453 31,426 32,120 32,453 34,426 34,120 34,453 35,426 37,120 38,453 37,426 39,120

zk t

0,426 0,120 0,547 0,760 0,213 0,213 0,240 0,120 0,787 0,907

Abbildung 68: Saisonbereinigung I

Die Saisonbereinigung verlangt nun weiter, dass die Saisonkomponenten im Mittel 0 sind. Daraus ergibt sich im vierten Schritt eine kleine Korrektur der Mittelwerte der sk+i um 1/3 (2,444+4,5832,111) = 0,009 auf 2,453 +4,574 und 2,120. Diese Werte sind in der Spalte sk i eingetragen.

70

2 Beschreibende (deskriptive) Statistik

Allgemein ergibt sich die Saisonkomponente wie folgt: m

 sk

sk i  sk  i  i1



i

m

mit m = Anzahl der Intervalle (hier 3)

In der Spalte „saisonbereinigte Werte“ ist in einem fünften Schritt die Saisonkomponente ski von den Ursprungswerten abgezogen. Es gilt: y i*  y t  sk i . Die Differenz zwischen den gleitenden Mittelwerten und den saisonbereinigten Werten ist dann in einem sechsten 36 Schritt ein Maß für die Zufallsstreuung zkt. zk t  y t*  y t

Beispiel 2: Umsätze in 3-Monatszeiträumen (in Mio. €) Jahr/ Quartal 1

2

3

4

I II III IV I II III IV I II III IV I II III IV

Ursprungs- gleitender Mittelwert wert yt yt 27 36 30 28 30 39 32 30 32 40 35 32 36 42 37 35

30,625 31,375 32 32,5 33 33,375 33,875 34,5 35,25 36 36,5 37,125

Abbildung 69: gleitender Durchschnitt III

36

Siehe Fallstudie 32.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

71

Anders als im 1. Beispiel dargestellt, besteht bei Quartalswerten die Möglichkeit, die ersten und letzten beiden Randglieder der gleitenden Mittelwerte zu schätzen. Dadurch wird der Informationsverlust der Daten minimiert. Für die ersten beiden Quartale gilt: y t  y3 

(3  t )  ( y1  y 5 ) für t = 1,2 4

Für die letzten beiden Quartale werden die gleitenden Mittelwerte wie folgt geschätzt: yt  yn 2 

(t  2  n)  ( y n  y n  4 ) für t = n-1, n (n = Anzahl der Beobachtungswerte) 4

Eingesetzt in die vier Quartale ergeben sich die Werte: y1  30,625 

(3  1)  (27  30)  29,125 4

y 2  30,625 

(3  2)  (27  30)  29,875 4

y15  37,125 

(15  2  16)  (35  32)  37,875 sowie 4

y16  37,125 

(16  2  16)  (35  32)  38,625 4

Daraus leitet sich nun die Saisonbereinigung für Quartalswerte nach dem unter Beispiel 1 beschriebenen Verfahren ab:

72

2 Beschreibende (deskriptive) Statistik

Jahr/ Ursprungs- gleitender Quartal wert yt Mittelwert 1

2

3

4

I II III IV I II III IV I II III IV I II III IV

27 36 30 28 30 39 32 30 32 40 35 32 36 42 37 35

saisonbereinigt

sk *i  y t  y t

yt

I

29,125 29,875 30,625 31,375 32 32,5 33 33,375 33,875 34,5 35,25 36 36,5 37,125 37,875 38,625

-2,125

-2

-1,875

-0,5

mittel -1,625 (sk+1)

II

III

IV

sk i

37

-1,586 6,125 5,789 -0,625 -0,648 -3,375 -3,555 -1,586 6,5 5,789 -1 -0,648 -3,375 -3,555 -1,586 5,5 5,789 -0,25 -0,648 -4 -3,555 -1,586 4,875 5,789 -0,875 -0,648 -3,625 -3,555 mittel mittel mittel 5,750 -0,688 -3,594 (sk+2) (sk+3) (sk+4)

y t*

zk t

28,586 30,211 30,648 31,555 31,586 33,211 32,648 33,555 33,586 34,211 35,648 35,555 37,586 36,211 37,648 38,555

-0,539 0,336 0,023 0,180 -0,414 0,711 -0,352 0,180 -0,289 -0,289 0,398 -0,445 1,086 -0,914 -0,227 -0,070

Abbildung 70: Saisonbereinigung II

Graphisch sehen dann Originalzeitreihe (OR) und saisonbereinigte Reihe (SB) wie folgt aus. Man erkennt deutlich den geglätteten Verlauf der saisonbereinigten Reihe und den deutlichen Saisonausschlag (nach oben) im jeweiligen 2. Quartal.

37

Der Korrekturfaktor beträgt -0,03925.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

73

43,00 41,00 39,00 37,00 35,00

OR

33,00

SB

31,00 29,00 27,00 25,00 I

II III IV I

II III IV I

II III IV I

II III IV

Abbildung 71: Saisonbereinigung III

Abschließend sollen noch einmal die einzelnen Schritte, die im Rahmen der Saison38 bereinigung für Quartalswerte notwendig sind, zusammengefasst werden: Schritt 1: Bildung des gleitenden Durchschnitts y t Die gleitenden Durchschnitte werden durch die Formel: yt 

(0,5  y t  2  y t 1  y t  y t 1  0,5  y t  2 ) 4

gebildet. Für die jeweiligen beiden Anfangs- und Endglieder gelten: y t  y3 

(3  t )  ( y1  y 5 ) für t = 1,2 sowie 4

yt  yn 2 

(t  2  n)  ( y n  y n  4 ) für t = n-1, n (mit n = Anzahl der Beobachtungen). 4

Schritt 2: Schätzung der vorläufigen Saisonkomponente sk*i Diese erfolgen über die Differenzen von tatsächlichem Beobachtungswert und gleitendem Durchschnitt ( sk *i  y t  y t ). 38

Für alle anderen Intervalle ist die Schrittabfolge identisch, lediglich die einbezogenen Werte unterscheiden sich.

74

2 Beschreibende (deskriptive) Statistik

Schritt 3: Mittelung der vorläufigen Saisonkomponenten sk+i Durch Bildung der arithmetischen Mittelwerte der jeweiligen Quartalswerte werden die vorläufigen Saisonkomponenten der Quartale 1 bis 4 geschätzt:

sk i 

 sk i j

*

mit j = Anzahl der Beobachtungswerte pro Quartal.

Schritt 4: Bildung der endgültigen Saisonkomponente ski

Durch Berücksichtigung des Korrekturfaktors werden die endgültigen Saisonkomponenten gebildet. Diese addieren sich dann zu 0. m

sk i  sk



i



 sk

i 1



i

m

mit m = Anzahl der Intervalle (hier 4)

Schritt 5: Bildung der saisonbereinigten Reihe yt*

Die saisonbereinigten Werte werden durch die Differenzen von tatsächlichem Beobachtungswert und Saisonkomponente errechnet: y i*  y t  sk i

Schritt 6: Schätzung der zufälligen Komponenten zkt

In diesem letzten Schritt werden von den saisonbereinigten Werten die gleitenden Durchschnitte abgezogen und ergeben die zufällige Komponente: 39 2.4.6.2

Ermittlung des Trends

Die Trendkomponente gibt im Gegensatz zur Konjunkturkomponente die mittelfristige Entwicklung einer Zeitreihe an. Sie kann z.B. durch eine Regression geschätzt werden, wobei die Jahreszahlen die x-Werte und die Jahreswerte (z.B. Jahresumsatz) die y-Werte bilden. Beispiel: Für 4 Jahre ist der Umsatzerlös y (in Tsd. €) angegeben. Dieser soll in Abhängigkeit von der Zeit (die erklärende Variable x) beschrieben werden:40

39

Siehe Fallstudie 33.

40

Siehe dazu das Kapitel der Regressionsanalyse.

2.4 Statistische Verfahren im Bereich der deskriptiven Statistik

75

xi yi x i  x y i  y ( x i  x )  ( y i  y) ( x i  x ) 2 [Jahr] [Umsatz] 1 121 -1,5 -14,25 21,375 2,25 2 131 -0,5 -4,25 2,125 0,25 3 139 0,5 3,75 1,875 0,25 4 150 1,5 14,75 22,125 2,25 x = 2,5 y = 135,25 Qxy = 47,5 Qxx = 5 Abbildung 72: Ermittlung der Trendkomponente

b2 

Q xy Q xx



47,5  9,5 5

b1  y b 2  x  135,25  9,5  2,5  111,5

Die Regressionsgerade lautet folglich: y i  111,5  9,5  x i . Würde man die Regressionsgerade bspw. für die Prognose des 5. Jahres benutzen, ergäbe sich ein geschätzter Jahresumsatz in Höhe von 159 Tsd. € (111,5 + 9,5 . 5). Die Trendkomponente für den Quartalsumsatz/Jahr beträgt 9,5/4 = 2,375 Tsd. €, d.h. der Quartalsumsatz erhöht sich im Mittel pro Jahr um 2,375 Tsd. €.41

41

Neben dem hier dargestellten Verfahren der Regressionsanalyse (Kriterium der kleinsten Quadrate) gäbe es bspw. auch noch die Möglichkeit, den Trend mittels des gleitenden Mittelwertes zu schätzen. Vgl. Bücker R., 2003, S. 111ff.

3

Schließende Statistik

Die schließende Statistik (Wahrscheinlichkeitstheorie) besitzt in den Wirtschaftswissenschaften, ebenso wie die deskriptive Statistik, eine sehr große Bedeutung, weshalb zumindest Grundkenntnisse für den Hochschulabsolventen, aber auch für den Praktiker, unerlässlich sind. Der Großteil der zu treffenden (unternehmerischen) Entscheidungen unterliegt der Unsicherheit, d.h. die Zukunft ist nicht exakt vorhersehbar. Die Verantwortlichen haben es also, um es in der Fachsprache der mathematischen Statistik zu formulieren, nicht mit einer streng deterministischen (vorhersehbaren) Zukunft zu tun, sondern die Folgen der Entscheidungen besitzen Zufallscharakter, sie sind stochastisch. Möchte bspw. ein Unternehmen ein neues Produkt auf den Markt bringen, so sind Absatzzahlen, Preise, Kosten, Konkurrenzsituation etc. nicht exakt vorhersehbar, so dass man sich mit Eintrittswahrscheinlichkeiten der verschiedenen Ereignisgrößen zufrieden geben und demzufolge die Zukunft, so gut es geht, vorhersagen muss. Auf dieser Problematik bauen die folgenden Kapitel auf. Zunächst werden einige Grundlagen zur Wahrscheinlichkeitstheorie gelegt. Dazu gehört bspw. das Verständnis, was ein Zufallsexperiment ist, wie Rechenregeln für Wahrscheinlichkeiten aufgestellt werden und wie daraus schließlich diskrete und stetige Verteilungsfunktionen abgeleitet werden können. Letzter zu behandelnder Themenkomplex im Rahmen der Wahrscheinlichkeitstheorie sind die Bereiche des Schätzens und des Testens. So besteht eines der Kernprobleme im Rahmen von wirtschaftlichen Entscheidungen darin, dass man insbesondere aufgrund von Zeit- und Kostendruck keine Vollerhebungen aller Daten durchführen kann, um verlässliche Aussagen bspw. zur Qualität der produzierten Güter zu erhalten. Somit versucht man, ausgehend von einer (repräsentativen) Stichprobe, die unbekannten Parameter der Grundgesamtheit zu schätzen bzw. Aussagen von Produzenten oder der eigenen Qualitätskontrolle zu testen. Sowohl die Schätz- als auch die Testtheorie basiert also auf Stichproben, die Ergebnisse der Untersuchungen lassen demzufolge keine hundertprozentig verlässliche Aussage zu, sondern sind vielmehr mit (vorgegebenen) Irrtumswahrscheinlichkeiten versehen.

78

3 Schließende Statistik

3.1

Grundlagen der Wahrscheinlichkeitstheorie

3.1.1

Zufallsexperiment und Ereignisse

Ausgangspunkt aller weiteren Überlegungen im Rahmen der schließenden Statistik ist das Zufallsexperiment. Darunter versteht man theoretisch gesprochen einen Vorgang, der  nach einer ganz bestimmten Vorschrift ausgeführt wird,  gleichzeitig beliebig oft wiederholbar ist und  dessen Ergebnis vom Zufall abhängig, d.h. im Vorfeld nicht eindeutig bestimmbar ist.42 Das Zufallsexperiment wird häufig zur Veranschaulichung durch das so genannte Urnenmodell beschrieben. Dieses Urnenmodell bildet dann die Basis für die später noch zu behandelnden Verteilungsfunktionen. Dessen Grundlage sind ganz konkrete Ausgangsparameter:  Es befinden sich eine bestimmte Anzahl (N) Kugeln in der Urne.  Alle N-Kugeln sind in Größe und Gewicht identisch. Diese Annahme ist sehr bedeutsam, denn sie impliziert, dass alle Kugeln die gleiche Chance haben, gezogen zu werden.  Es gibt mindestens 2 Arten von Kugeln (z.B. „rote“ und „nicht-rote“ Kugeln). Sind genau 2 Arten von Kugeln in der Urne, so spricht man von einer dichotomen Gesamtheit, sind mehr als 2 Arten von Kugeln in der Urne (z.B. rote, blaue und gelbe Kugeln), so spricht man von einer nicht-dichotomen Gesamtheit.  Man unterscheidet beim Versuch nach der Modalität der Kugelentnahme in: – Ziehen mit Zurücklegen (eine gezogene Kugel wird nach der Entnahme wieder in die Urne zurückgelegt, hat also beim nächsten Versuch wieder die Chance, gezogen zu werden) und – Ziehen ohne Zurücklegen (eine gezogene Kugel wird nach ihrer Entnahme nicht wieder in die Urne zurückgelegt).  Bei der Unterscheidung des Versuchs nach dem Abbruchkriterium für die Kugelentnahme kann differenziert werden in: – die Kugelentnahme bricht ab, wenn eine vorgegebene Anzahl von n-Kugeln gezogen wurde und – die Kugelentnahme bricht ab, wenn eine vorgegebene Anzahl Kugeln einer bestimmten Farbe gezogen wurde. Häufig fällt es den mathematisch oder statistisch etwas unbedarften Studierenden schwer, die Beziehung zwischen den etwas kryptischen Begriffen wie etwa dem des Zufallsexperimentes oder des Urnenmodells zur Praxis herzustellen. Deshalb erfolgen nun, bevor mit den Begriffen weitergearbeitet und diese schließlich in Wahrscheinlichkeitsfunktionen überführt werden, einige Beispiele, die den theoretisch/praktischen Bezug herstellen sollen.

42

Vgl. hierzu auch Schwarze J., 2009, S. 12ff.

3.1 Grundlagen der Wahrscheinlichkeitstheorie

79

Urnenmodell/Zufallsexperiment

Praxisfall

Eine Urne enthält 150 Kugeln, von denen 27 weiß und 123 rot sind. Es werden ohne Zurücklegen 4 Kugeln gezogen.

Produkte, die eine Spezialmaschine erzeugt, sind erfahrungsgemäß zu 18% fehlerbehaftet. Wie groß ist die Wahrscheinlichkeit, dass eine Stichprobe von 4 Produkten mindestens 2 fehlerbehaftete Produkte enthält?

Aus einer Urne, die beliebig viele Kugeln enthält, werden bei 10 aufeinander folgenden Stichproben immer wieder 100 Kugeln entnommen. Durchschnittlich waren dabei 23 Kugeln weiß, die anderen Kugeln waren andersfarbig. Die durchschnittliche Abweichung betrug dabei 4.

Die Lebensdauer eines Produktes beträgt 23 Jahre, bei einer Standardabweichung von 4 Jahren. Mit welcher Wahrscheinlichkeit erhält man in einer Stichprobe eine Lebensdauer von weniger als 21 Jahren?

Eine Urne enthält 104 rote, 38 blaue und 58 grüne Kugeln. Es werden mit Zurücklegen 10 Kugeln gezogen.

Die Produktion von Zuchtchampignons liefert mit einer Wahrscheinlichkeit von 52%, 19% bzw. 29% Pilze 1., 2., bzw. 3. Qualität. Wie groß ist die Wahrscheinlichkeit, dass eine Stichprobe von 10 Pilzen 3 mit 1. und 2. Qualität sowie 4 mit 3. Qualität liefert?

Abbildung 73: Zufallsexperiment und Praxis

Betrachten wir nun als Zufallsexperiment eine überschaubare kleine Urne, in der sich insgesamt 4 Kugeln befinden. Die Kugeln sind jeweils durchnummeriert, wobei die Kugeln mit den Ziffern 1 bis 3 weiß und die Kugel mit der Zahl 4 schwarz ist. Diese Unterscheidung wird aus didaktischen Gründen vorgenommen, um im weiteren Verlauf verschiedene Modelle besser erläutern zu können.

1

2

3

4

Abbildung 74: Urnenzusammensetzung

Aus dieser Urne können jetzt verschieden viele Kugeln mit oder ohne Zurücklegen gezogen werden.

80

3 Schließende Statistik

Es handelt sich jeweils um ein Zufallsexperiment, das durch eine entsprechende Ergebnismenge (Ω), manchmal auch als Ereignisraum beschrieben, bestehend aus den entsprechenden Elementarereignissen (ei) vollständig definiert ist. Beispiel 1: Einstufiges Zufallsexperiment Wird aus obiger Urne das Zufallsexperiment so definiert, dass lediglich eine Kugel gezogen wird, handelt es sich um ein einstufiges Zufallsexperiment, mit der Ergebnismenge: Ω1 = (1, 2, 3, 4), sofern die Zahlen der Kugeln relevant sind, oder Ω2 = (w, s), sofern lediglich die Farbe (w=weiß bzw. s=schwarz) interessiert. Die Zahlen aus Ω1 bzw. Farben aus Ω2 sind somit die Elementarereignisse (ei). Folglich gilt für Ω1: e1 = 1; e2 = 2; e3 = 3 und e4 = 4 und für Ω2: e1 = w; e2 = s. Obige Elementarereignisse sind gleichzeitig Zufallsvariable. Das Zufallsexperiment ist somit ausreichend beschrieben, denn aus der Menge Ω von möglichen Ereignissen ei muss genau eines dieser Ereignisse eintreten. Nun kann man vordefinierte Ereignisse beschreiben und ggfs. auch miteinander kombinieren. Bspw. das Ereignis A (gerade Zahl bei der Ziehung) oder das Ereignis B (mindestens die Zahl 3) etc. Beispiel 2: Zweistufiges Zufallsexperiment Wir definieren als Zufallsexperiment das zweimalige Ziehen mit Zurücklegen der Kugel und interessieren uns für die gezogene Zahl. Dann sind Ergebnismenge und die daraus abgeleiteten Elementarereignisse wie folgt: (1,1); (1,2); (1,3); (1,4)   (2,1); (2,2); (2,3); (2,4)   (3,1); (3,2); (3,3); (3,4) (4,1); (4,2); (4,3); (4,4) 

(1,3) bspw. bedeutet, dass beim ersten Mal die Zahl 1 und beim zweiten Versuch die Zahl 3 gezogen wird etc. Insgesamt gibt es im Beispiel somit 16 Elementarereignisse. Beispiel 3: Dreistufiges Zufallsexperiment Es wird ein dreistufiges Zufallsexperiment durchgeführt in der Gestalt, dass die gezogene Kugel nicht wieder in die Urne zurückgelegt wird. Ferner soll bei diesem dreimaligen Ziehen nicht die Zahl, sondern lediglich die Farbe maßgeblich sein. Graphisch betrachtet gibt es folgende Lösungsmöglichkeiten:

3.1 Grundlagen der Wahrscheinlichkeitstheorie w

w

w

s

s

w

s

w

w

1. Zug

2. Zug

3. Zug

w

81

Abbildung 75: Dreistufiges Zufallsexperiment

Die Ergebnismenge lautet folglich:   ( w , w , w ); ( w , w , s); ( w , s, w ); (s, w , w )

Nun können lediglich 4 Elementarereignisse beschrieben werden, denn die Anzahl wird durch die Ziehungsmodalität Ziehen ohne Zurücklegen, durch die dichotome Grundgesamtheit sowie die (geringe) Zahl der Kugeln in der Urne begrenzt.

3.1.2

Operationen für Ereignisse

Hierbei handelt es sich gewissermaßen um die erste Vorstufe zur Erklärung von Wahrscheinlichkeiten bzw. Wahrscheinlichkeitsregeln, wobei auf das so genannte Venn-Diagramm zurückgegriffen werden kann. Dieses zeigt sehr anschaulich die verschiedenen Möglichkeiten der Darstellung von Ergebnismenge (des Ereignisraumes) sowie deren Elementarereignissen.

82

3 Schließende Statistik

2

1

A

Ergebnismenge Ω

3

A∩B

B

4 A

U

B

A|B

5

B

6 A

A

A

AоB

B

Abbildung 76: Das Venn-Diagramm

Die verschiedenen Ausprägungen des Venn-Diagramms sollen nun mit Hilfe des oben skizzierten Beispiels (Ziehen zweier Kugeln mit Zurücklegen) dargestellt werden. Dabei sei A innerhalb des Ereignisraumes das Ereignis, dass die erste Kugel die Zahl 1 bedeutet und B das Ereignis, dass die zweite Kugel die 3 ist. Ereignis A und B bestehen also jeweils aus 4 Elementarereignissen. Es gilt: A = [(1,1);(1,2);(1,3);(1,4)] und B = [(1,3);(2,3);(3,3);(4,3)] Bild 1 des Venn-Diagramms beschreibt mit dem Ereignisraum Ω alle 16 möglichen Versuchsausgänge. Hierbei werden also die Ereignisse A und B nicht separat berücksichtigt, sie sind als Teilmengen im Ereignisraum enthalten. (1,1); (1,2); (1,3); (1,4)   (2,1); (2,2); (2,3); (2,4)   (3,1); (3,2); (3,3); (3,4) (4,1); (4,2); (4,3); (4,4) 

3.1 Grundlagen der Wahrscheinlichkeitstheorie

83

Bild 2 beschreibt die Schnittmenge von A und B ( A  B ). D.h., beide Ereignisse müssen gleichzeitig eintreten. Betrachten wir obige Ereignisse A und B, so gilt: A  B = (1,3)

Die Kombination (1,3) ist folglich das einzige Ergebnis, das den Anforderungen entspricht. Bild 3 beschreibt die Vereinigung von A und B ( A  B ). D.h., es ist nach den Versuchsausgängen gefragt, bei denen entweder A oder B, oder beide Ereignisse gleichzeitig auftreten. In unserem Beispiel gilt: A  B = [(1,1);(1,2);(1,3);(1,4);(2,3);(3,3);(4,3)]

Zu bemerken ist hierbei, dass das Ereignis (1,3) doppelt vorkommt und deshalb einmal gestrichen wird. Bild 4 symbolisiert die logische Differenz, die besagt, dass Ereignis A, aber nicht Ereignis B eintritt. Aus der Ereignismenge A müssen wir folglich den Versuchsausgang streichen, bei dem im zweiten Versuch die 3 vorkommt. Es gilt: A│B = [(1,1);(1,2);(1,4)] Bild 5 steht für das Komplement (Gegenstück) zu A. Es werden also alle Ereignisse gesucht, bei denen nicht im ersten Versuchsausgang eine 1 eintritt. Daraus folgt: (2,1); (2,2); (2,3); (2,4)   A  (3,1); (3,2); (3,3); (3,4) (4,1); (4,2); (4,3); (4,4)  

Im Bild 6 ist nach der symmetrischen Differenz von A und B gesucht, also nach allen Elementarereignissen, bei denen entweder A oder B auftreten, aber nicht beide zusammen. Wir erhalten: A°B = [(1,1);(1,2);(1,4);(2,3);(3,3);(4,3)]43

3.1.3

Wahrscheinlichkeitsdefinitionen

3.1.3.1

Das Gesetz der großen Zahlen

Ausgehend vom obigen Urnenbeispiel könnte man sich folgende Szenarien vorstellen. Wir ziehen aus der Urne mit den Zahlen 1 bis 4 jeweils mit Zurücklegen eine bestimmte Losgröße ni und notieren die absoluten und relativen Häufigkeiten (in Klammern). Die Ergebnisse könnten wie folgt aussehen:

43

Siehe Fallstudie 34.

84

3 Schließende Statistik Zahl 1

Zahl 2

Zahl 3

Zahl 4

n1 = 10

5 (50%)

2 (20%)

3 (30%)

0 (0%)

n2 = 100

22 (22%)

31 (31%)

27 (27%)

20 (20%)

253 (25,3%)

231 (23,1%)

260 (26,0%)

256 (25,6%)

n3 = 1.000

Abbildung 77: Das Gesetz der großen Zahlen

Es kann, sofern es sich um keine manipulierte Urne handelt, mit steigendem Stichprobenumfang beobachtet werden, dass sich die Eintrittswahrscheinlichkeiten für die Zahlen 1 bis 4 immer weiter dem „wahren“ Wert von 25% annähern werden. Während bei kleinen Stichprobenumfängen (n1=10) die Wahrscheinlichkeit von Ausreißern nach oben und unten noch sehr groß ist (5 Mal wurden die Kugel mit der Zahl 1 gezogen = 50%, kein einziges Mal die Zahl 4), relativiert sich dies mit steigendem Stichprobenumfang. Bei n3 = 1.000 Versuchen nähern sich die Eintrittswahrscheinlichkeiten dem erwarteten Wert (25%) an. Dies nennt man das Gesetz der großen Zahlen. 3.1.3.2

Der „klassische“ Wahrscheinlichkeitsbegriff

Wahrscheinlichkeit kann allgemein definiert werden als ein Maß zur Quantifizierung der Sicherheit bzw. Unsicherheit des Eintretens eines bestimmten Ereignisses im Rahmen eines Zufallsexperiments. Wir wollen uns nachfolgend auf den „klassischen“ Wahrscheinlichkeitsbegriff konzentrieren und diesen am Beispiel des vorangegangenen Kapitels erläutern. Nach der klassischen oder auch Laplaceschen Definition der Wahrscheinlichkeit gilt allgemein für das Eintreten eines Ereignisses A dessen abgeleitete Wahrscheinlichkeit P(A): P( A ) 

Anzahl der für A günstigen Fälle Anzahl aller gleichmöglichen Fälle

Besteht das Ereignis für A, wie oben dargestellt, bspw. in dem Ziehen der Kugel 1 beim einmaligen Versuch, so ergibt sich die Wahrscheinlichkeit von: P(A) 

1  0,25 oder 25% , 4

denn es gibt 4 Kugeln, die laut Zufallsexperiment alle die gleiche Chance haben, gezogen zu werden. Diese sehr vereinfachte Darstellung der Wahrscheinlichkeit wird nun im weiteren Verlauf weiter spezifiziert und insbesondere für den Fall des mehrstufigen Zufallsexperimentes erweitert. Vor der Darstellung dieser entsprechenden Rechenregeln sollen aber der Vollständigkeit halber die Wahrscheinlichkeitsaxiome von A.N. Kolmogorov vorgestellt werden.

3.1 Grundlagen der Wahrscheinlichkeitstheorie 3.1.3.3

85

Die Wahrscheinlichkeitsaxiome von Kolmogorov

Die anhand des Venn-Diagramms dargestellten Ereignissverknüpfungen bilden die Ausgangsbasis für die zu diskutierenden Axiome sowie Rechenregeln. Bezogen auf unser Beispiel ergeben sich folgende Wahrscheinlichkeiten:44 P() 

16  1 ; es handelt sich um den gesamten Ereignisraum Ω. 16

(1,1); (1,2); (1,3); (1,4)   (2,1); (2,2); (2,3); (2,4)   (3,1); (3,2); (3,3); (3,4) (4,1); (4,2); (4,3); (4,4)  P(A  B) 

1 ; die erste Kugel hat die Nummer 1 und die zweite die Nummer 3 16

P(A  B) 

7 ; die erste Kugel hat die Nummer 1 oder die zweite die Nummer 3 16

P( A | B)  P(A) 

3 ; die erste Kugel hat die Nummer 1 und die zweite nicht die Nummer 3 16

12 3  die erste Kugel hat nicht die Nummer 1 16 4

P(A B) 

6 ; die erste Kugel hat nicht die Nummer 1 und die zweite nicht die 3.45 16

Aus diesen Überlegungen heraus folgen drei Axiome: 1. Axiom: Die Wahrscheinlichkeit P(A) des Ereignisses A eines Zufallsexperiments ist eine eindeutige bestimmte, reelle, nichtnegative Zahl, die der Bedingung 0  P(A)  1 genügt. 2. Axiom: Bezeichnet man mit Ω das Ereignis, das alle Elementarereignisse eines Zufallsexperiments enthält, dann ist Ω das sichere Ereignis mit P(Ω) = 1. 3. Axiom: Schließen sich zwei Ereignisse A und B eines Zufallsexperiments gegenseitig aus, so gilt: P( A  B ) = P(A) + P(B)

44

Vgl. Kapitel 3.1.1; dort Beispiel 2. Wir ziehen aus einer Urne mit den Zahlen 1 bis 4 nacheinander 2 Kugeln mit Zurücklegen.

45

Siehe Fallstudie 35.

86

3 Schließende Statistik

Dieses dritte Axiom spielt eine entscheidende Rolle beim noch zu diskutierenden Additionssatz.

3.1.4

Rechnen mit Wahrscheinlichkeiten

3.1.4.1

Der Additionssatz

Der Additionssatz baut wie der Multiplikationssatz auf dem oben skizzierten VennDiagramm auf und lautet: Sind A und B zwei beliebige Ereignisse eines Zufallsexperiments, dann ist die Wahrscheinlichkeit des Ereignisses A  B : P( A  B ) = P(A) + P(B) – P( A  B ) Dies ist der allgemeine Additionssatz, denn er unterscheidet nicht, ob die Ereignisse A und B möglicherweise gemeinsame Elementarereignisse haben oder nicht. Durch einfaches Abzählen haben wir oben als Wahrscheinlichkeit P(A  B) 

7 ermittelt. Nach dem Additionssatz errechnet sich dieser Wert aus 16

P(A B) 

4 4 1 7    16 16 16 16

Die Subtraktion von A  B ist notwendig, da die Schnittmenge von A und B jeweils in den Einzelereignissen A und B enthalten ist und somit doppelt in der Vereinigungsmenge vorkommt. Es gab folglich das gemeinsame Elementarereignis (1,3). Demzufolge gibt es noch den speziellen Additionssatz: P( A  B ) = P(A) + P(B). Dieser geht davon aus, dass sich die beiden Ereignisse A und B ausschließen. Sei das Ereignis A bspw. das Ziehen einer geraden Zahl aus obiger Urne mit den Zahlen 1 bis 4 und das Ereignis B das Ziehen der Zahl 3, so schließen sich beide Ereignisse aus. Dann gilt: P(A B) 

2 1 3   4 4 4

3.1 Grundlagen der Wahrscheinlichkeitstheorie 3.1.4.2

87

Der Multiplikationssatz

Der Multiplikationssatz untersucht nicht die Vereinigungsmenge wie der Additionssatz, sondern die Schnittmenge A  B . Zu unterscheiden sind auch hierbei der spezielle Multiplikationssatz, der, wie in obigem Beispiel, für unabhängige Ereignisse seine Daseinsberechtigung hat und der allgemeine Multiplikationssatz, der für den später zu behandelnden Fall gilt, dass die untersuchten Ereignisse voneinander abhängig sind.46 Für den speziellen Multiplikationssatz gilt: P( A  B ) = P(A) . P(B). Durch einfaches Abzählen ergab sich oben die Wahrscheinlichkeit für A  B P( A  B ) =

1 . 16

Nach dem speziellen Multiplikationssatz erhalten wir P( A  B ) =

1 1 1 47 .   4 4 16

Der spezielle Multiplikationssatz kann zur Ermittlung von Wahrscheinlichkeiten im mehrstufigen Zufallsexperiment herangezogen werden, sofern die Ziehungsmodalität mit Zurücklegen der Kugel ist. Es soll wiederum anhand des kleinen Urnenmodells erläutert werden. Aus der Urne (drei weiße und eine schwarze Kugel) werden nacheinander 2 Kugeln mit Zurücklegen gezogen. Folgende Graphik verdeutlicht alle möglichen Kombinationen inklusive deren Wahrscheinlichkeiten:

46

Im vorliegenden Fall bedeutet Unabhängigkeit, dass die Ziehung der zweiten Kugel unabhängig von der Ziehung der ersten Kugel ist. Wir unterstellen also „Ziehen mit Zurücklegen“ der Kugel.

47

Siehe Fallstudien 36 und 37.

88

3 Schließende Statistik

w

P( ww ) 

s

P( ws) 

3 3 9   4 4 16

w 3 1 3   4 4 16 P () 

w

P(sw ) 

s

P(ss) 

s

1. Zug

2. Zug

16 16

1 3 3   4 4 16

1 1 1   4 4 16

Wahrscheinlichkeit

Abbildung 78: Spezieller Multiplikationssatz

Die Bildung der Wahrscheinlichkeiten wird gelegentlich auch unter der so genannten Pfadregel beschrieben, die besagt, dass im Baumdiagramm die Wahrscheinlichkeit eines Pfades gleich dem Produkt der Wahrscheinlichkeiten auf den Teilstrecken ist. Lautet die Ziehungsmodalität ohne Zurücklegen sind die einzelnen Kugelentnahmen nicht mehr unabhängig voneinander, so dass der allgemeine Multiplikationssatz zur Anwendung kommt: P(A B)  P(A)  P(B | A)

P(B | A) beschreibt dabei die so genannte bedingte Wahrscheinlichkeit. Darunter versteht man die Wahrscheinlichkeit für das Eintreten eines Ereignisses B, wenn im vorangegangenen Zug dass Ereignis A eingetreten ist.

Werden folglich aus obiger Urne nacheinander 2 Kugeln ohne Zurücklegen gezogen, reduziert sich der Ereignisraum auf 12 Möglichkeiten.

3.1 Grundlagen der Wahrscheinlichkeitstheorie

89

(1,2); (1,3); (1,4)   (2,1); (2,3); (2,4)   (3,1); (3,2); (3,4) (4,1); (4,2); (4,3) 

Reduziert man das Modell auf die Farben weiß und schwarz, ergeben sich beim zweimaligen Ziehen folgende Möglichkeiten mit den entsprechenden Wahrscheinlichkeiten: 3 2 6   4 3 12

w

P( ww ) 

s

3 1 3 P( ws)    4 3 12

w

P(sw ) 

1 3 3   4 3 12

s

P(ss) 

1 0  0 4

w

s

1. Zug

2. Zug

P () 

12 12

Wahrscheinlichkeit

Abbildung 79: Allgemeiner Multiplikationssatz

Die Wahrscheinlichkeit, zweimal hintereinander schwarz zu ziehen, scheidet aufgrund der einzigen schwarzen Kugel aus. Aus diesem Grund ist P(ss) = 0.48

48

Siehe Fallstudie 38.

90

3 Schließende Statistik

3.1.4.3

Das Bayes'sche Theorem

Neben den oben skizzierten allgemeinen und speziellen Additions- und Multiplikationssätzen gibt es die bedingten Wahrscheinlichkeiten, die die Wahrscheinlichkeit für ein Ereignis unter der Prämisse zum Ausdruck bringt, dass bereits ein anderes Ereignis eingetreten ist.49 Dieser Sachverhalt soll zunächst wiederum anhand der sehr überschaubaren kleinen Urne erläutert werden, wobei wir die Ziehungsmodalität „Ziehen von zwei Kugeln ohne Zurücklegen“ unterstellen. 3 4

1 4

A1 2 3

B1

A2 1 3

3 3

B2

B1

0

B2

Abbildung 80: Bayes´ sche Theorem I

Dabei gelten folgende Bezeichnungen: P(A1) = Wahrscheinlichkeit für Farbe Weiß im 1. Zug P(A2) = Wahrscheinlichkeit für Farbe Schwarz im 1. Zug50 P(B1) = Wahrscheinlichkeit für Farbe Weiß im 2. Zug P(B2) = Wahrscheinlichkeit für Farbe Schwarz im 2. Zug Berechnet man diese Wahrscheinlichkeiten, so handelt es sich zunächst um die so genannten totalen Wahrscheinlichkeiten, gewissermaßen als Vorstufe der bedingten Wahrscheinlichkeiten. Sehr einfach sind die beiden totalen Wahrscheinlichkeiten des 1. Zuges: P ( A1 ) 

3 1 bzw. P(A 2 )  4 4

49

Vgl. auch Toutenburg H./Heumann C., 2008(2), S. 23ff.

50

Es handelt sich hierbei um das Komplement zu A (siehe auch Venndiagramm).

3.1 Grundlagen der Wahrscheinlichkeitstheorie

91

Die beiden (totalen) Wahrscheinlichkeiten P(Bi) hingegen leiten sich aus zusammengesetzten Wahrscheinlichkeiten ab. Es gilt ganz allgemein: n

P(Bi )   P(Bi | A j )  P(A j ) für i = 1,2,… j1

Konkret P(B1 )  P(B1 | A1 )  P(A1 )  P(B1 | A 2 )  P(A 2 ) 

2 3 3 1 9     3 4 3 4 12

P ( B 2 )  P ( B 2 | A1 )  P ( A1 )  P ( B 2 | A 2 )  P ( A 2 ) 

1 3 1 3   0  3 4 4 12

Dabei steht bspw. P(B1|A1) für die Wahrscheinlichkeit des Eintritts von B1 (Farbe weiß im 2. Zug) unter der Prämisse, dass vorher A1 (Farbe weiß im ersten Zug) eingetreten ist. Ebenso könnte man die Frage stellen, wie groß die Wahrscheinlichkeit dafür ist, dass die erste gezogene Kugel weiß (schwarz) war, unter der Bedingung, dass die zweite Kugel die Farbe weiß (schwarz) hatte. Diese Art der Fragestellung wurde unter dem so genannten Bayes´schen Theorem bekannt. Ganz allgemein lautet die Formel: P(A | B) 

P(A  B) P(B)

Fragen wir bspw. nach der Wahrscheinlichkeit, dass die erste Kugel weiß war unter der Bedingung, dass die zweite gezogene Kugel weiß ist, so wird aus der allgemeinen Bayes´schen Formel: P(A1 | B1 ) 

P(A1  B1 ) P(A1 )  P(B1 | A1 )  P(B1 ) P(A1 )  P(B1 | A1 )  P(A 2 )  P(B1 | A 2 )

3 2  2 4 3 P(A1 | B1 )    66,7% 3 2 1 3 3 (    ) 4 3 4 3

Ähnlich können andere bedingte Wahrscheinlichkeiten zu obigem Urnenbeispiel berechnet werden. Anhand einem weiteren kleinen Beispiel soll die Bedeutung des Bayes´schen Theorems für die unternehmerische Praxis demonstriert werden. Ein Großmarkt bezieht von drei Biobauern (Bi) aus der Region Gemüse. Erfahrungswerte haben gezeigt, dass der Ausschussanteil des Gemüses 8% (bei B1), 7% (B2) bzw. 5% (B3) beträgt. An einem Wochentag werden 50 kg von B1, 15 kg von B2 sowie 25 kg von B3 bezogen.

92

3 Schließende Statistik

a) Wie groß ist die Wahrscheinlichkeit, gutes/unbrauchbares Gemüse zu erhalten? b) Wie groß ist die Wahrscheinlichkeit, dass ein aussortiertes, weil unbrauchbares Gemüsestück vom Biobauern B2 angeliefert wurde? c) Wie groß ist die Wahrscheinlichkeit, dass ein gutes Gemüsestück vom Biobauern B1 stammte? Belegen wir bspw. gutes/unbrauchbares Gemüse mit den Variablen A1/A2, so ergibt sich folgendes Schaubild:

50 90

15 90

B1 92 100

A1

25 90

B2 8 100

93 100

A2

A1

B3 7 100

95 100

A2

A1

5 100

A2

Abbildung 81: Bayes´ sche Theorem II

Zu Frage a) Die Wahrscheinlichkeit für gutes/unbrauchbares Gemüse P(A1)/P(A2) erhalten wir mit den Formeln:51 P(A1 )  P(A1 | B1 )  P(B1 )  P(A1 | B 2 )  P(B 2 )  P(A1 | B3 )  P(B 3 ) bzw. P(A 2 )  P(A 2 | B1 )  P(B1 )  P(A 2 | B 2 )  P(B 2 )  P(A 2 | B3 )  P(B3 ) P(A1 ) 

92 50 93 15 95 25 8.370        0,93  93% 100 90 100 90 100 90 9.000

P(A 2 ) 

8 50 7 15 5 25 630        0,07  7% 100 90 100 90 100 90 9.000

Frage a) beschreibt somit die totalen Wahrscheinlichkeiten! Zu Frage b) Nun stellt sich die Frage nach der bedingten Wahrscheinlichkeit, d.h. es liegt ein unbrauchbares Stück Gemüse vor, das vom Bauer B2 kommen soll:

51

Man beachte, dass gegenüber dem vorangegangenen Beispiel die Variablen nun andere Bezeichnungen haben (A versus B).

3.2 Die Kombinatorik P(B 2 | A 2 ) 

93

P( B 2  A 2 ) P( B 2 )  P(A 2 | B 2 )  P(A 2 ) P(B1 )  P( A 2 | B1 )  P( B 2 )  P( A 2 | B 2 )  P(B3 )  P(A 2 | B3 )

15 7  90 100 P(B 2 | A 2 )   0,167  16,7% 50 8 15 7 25 5      90 100 90 100 90 100

Zu Frage c) Auch hier ist, ähnlich zur Fragestellung b) die (Vor)Bedingung bereits gegeben, d.h. wir haben aus der Losgröße bereits ein einwandfreies Gemüsestück gezogen und fragen nach der Wahrscheinlichkeit, dass es vom Biobauer B1 kommt. P(B1 | A1 ) 

P( B1  A1 ) P(B1 )  P(A1 | B1 )  P( A1 ) P( B1 )  P( A1 | B1 )  P( B 2 )  P( A1 | B 2 )  P(B3 )  P(A1 | B3 )

50 92  90 100 P(B1 | A1 )   0,5496  54,96% 50 92 15 93 25 95      90 100 90 100 90 100

Die Wahrscheinlichkeit, dass ein einwandfreies Gemüsestück vom Biobauer B1 stammt, beträgt somit 54,96%.52

3.2

Die Kombinatorik

3.2.1

Permutation, Variation und Kombination

Neben den Verknüpfungsregeln, die man anhand des Venn-Diagramms veranschaulichen kann, bilden die Elemente der Kombinatorik die zweite wichtige Vorstufe zur Erklärung von Wahrscheinlichkeits- und Verteilungsfunktionen. Die Kombinatorik unterteilt sich dabei in die Permutation, Variation und die Kombination, die wiederum anhand der (kleinen) Urnenzusammensetzung erläutert werden sollen.53 Immer wiederkehrende Elemente der Kombinatorik sind die Begriffe der Fakultät und des Binomialkoeffizienten, die zunächst erklärt werden müssen: Fakultät ist das Produkt der ersten n aufeinander folgenden positiven ganzen Zahlen (n!). n! = 1 . 2 . …. (n-1) . n

52

Siehe Fallstudien 39 und 40.

53

Vgl. auch Lippe v.d.P., 2004, S. 6ff.

94

3 Schließende Statistik

Ferner gilt: 0! = 1 Beispiel: 6! = 1 . 2 . 3 . 4 . 5 . 6 = 720 Der Binomialkoeffizient wird zur Berechnung von Wahrscheinlichkeitsverteilungen benötigt. Es gilt: N N  ( N  1)  ( N  2)  ...  ( N  n  1) N!   n n! n!  ( N  n )!

Beispiel: 5 5!   10 3 3!  (5  3)!

Zurück zur Ausgangssituation kann nun die Unterscheidung zwischen Permutation, Variation und Kombination getroffen werden. Wie bereits beschrieben, betrage die Grundgesamtheiten vier Kugeln mit den Zahlen von 1 bis 4, wobei die ersten 3 Kugeln weiß und die 4. Kugel schwarz ist (es liegen also N = 4 Elemente in der Urne).

1

2

3

4

Abbildung 82: Permutation, Variation und Kombination

Die Permutation beantwortet die Frage, wie diese 4 Elemente angeordnet werden können, wobei zwischen den Fällen unterschieden wird, bei denen alle Elemente voneinander verschieden sind (Permutation ohne Wiederholung der Elemente) und bei denen nicht alle Elemente voneinander verschieden sind (Permutation mit Wiederholung der Elemente). Permutation ohne Wiederholung der Elemente (Pow) Die 4 Elemente seien die Zahlen 1 bis 4 und wir betrachten alle Möglichkeiten, wie diese Zahlen angeordnet sein können. Der Lösungsraum lautet:

3.2 Die Kombinatorik

95

(1234); (2134); (3124); (4123)   (1243); (2143); (3142); (4132)  (1324); (2314); (3214); (4213)   (1342); (2341); (3241); (4231)  (1423); (2413); (3412); (4312)    (1432); (2431); (3421); (4321) 

Es gibt folglich 24 Möglichkeiten der Anordnung. Beschreiben lässt sich dieser Sachverhalt durch die bereits erklärte Fakultät: PoW = N! = 4! = 24 Möglichkeiten der Anordnung Permutation mit Wiederholung der Elemente (Pmw) Die 4 Elemente seien nun die vier Kugeln, die sich aber jetzt nach der Farbe unterscheiden sollen. Zweifellos wiederholt sich die Farbe weiß, so dass es sich nun um eine Permutation mit Wiederholung von Elementen handelt (mindestens ein Element (hier die Farbe weiß) kommt häufiger als einmal (hier dreimal) vor). Der Lösungsraum beinhaltet nur noch 4 mögliche Anordnungen:   ( wwws); ( wwsw ); ( wsww ); (swww ) PmW 

N! 4!  4 n1!  n 2 !  ...  n i ! 3!  1!

ni beschreibt dabei jeweils die Häufigkeit, mit der die Elemente vorkommen. n1 = 3 (Farbe weiß) und n2 = 1 (Farbe schwarz). Es gibt im Beispiel somit lediglich noch 4 mögliche Anordnungen der Elemente. Variation ohne Zurücklegen (VoZ) Die 4 Elemente seien die Zahlen 1 bis 4 und wir ziehen nacheinander 2 Zahlen ohne die gezogene Zahl wieder zurückzulegen. Gleichzeitig ist die Reihenfolge der gezogenen Elemente von Bedeutung (12 ist also etwas anderes als 21 usw.). Der Lösungsraum besteht nun aus 12 Elementarereignissen: (12); (21); (31); (41)      (13); (23); (32); (42)  (14); (24); (34); (43)  

VoZ 

N! 4!   12 (N  n)! (4  2)!

Es gibt 12 Variationsmöglichkeiten unter der Bedingung, dass ohne Zurücklegen gezogen wird und die Reihenfolge der Elemente eine Rolle spielt.

96

3 Schließende Statistik

Variation mit Zurücklegen (VmZ) Die 4 Elemente seien die Zahlen 1 bis 4 und wir ziehen nacheinander 2 Zahlen wobei eine gezogene Zahl wieder zurückgelegt wird. Auch hier ist die Reihenfolge der gezogenen Elemente von Bedeutung. (11); (21); (31); (41)    (12); (22); (32); (42)   (13); (23); (33); (43)  (14); (24); (34); (44) 

VmZ = Nn = 42 = 16 Legen wir die Zahlen nach deren Ziehung wieder zurück, entstehen nun 16 Variationsmöglichkeiten. Kombination ohne Zurücklegen (KoZ) Die 4 Elemente seien die Zahlen 1 bis 4 und wir ziehen nacheinander 2 Zahlen ohne die gezogene Zahl wieder zurückzulegen. Nun ist die Reihenfolge der gezogenen Elemente jedoch ohne Bedeutung (12 ist also identisch zu 21 usw.). (12); (23); (34)     (13); (24)  (14)   

K oZ 

N n



N! 4!  6 n!  ( N  n )! 2!  (4  2)!

Kombination mit Zurücklegen (KmZ)

Die 4 Elemente seien die Zahlen 1 bis 4 und wir ziehen nacheinander 2 Zahlen, wobei die gezogene Zahl wieder zurückgelegt wird. Die Reihenfolge der gezogenen Elemente ist ohne Bedeutung. (11); (22); (33); (44)   (12); (23); (34)    ( 13 ); ( 24 )   (14)  

K mZ 

N n  1 n



(N  n  1)! 5!   10 n!  (N  1)! 2!  (4  1)!

3.3 Diskrete Verteilungen

97

Alle die oben dargestellten Möglichkeiten der Kombinatorik sollen anhand eines Entscheidungsbaumes nochmals erläutert werden. 54,55

3.2.2

Der Entscheidungsbaum Kombinatorik

nein

Findet eine Vollerhebung statt?

Ist die Reihenfolge der Elemente von Bedeutung?

ja ja Permutation

Variation

Sind alle Elemente voneinander verschieden?

ja

PoW  N!

Kombination

mit Zurücklegen?

nein

PmW 

nein

N! n1!  n 2 !  ...  n n !

ja

VmZ  N n

mit Zurücklegen?

nein VoZ 

N! ( N  n )!

ja

K mZ 

nein N  n 1 n

K oZ 

N n

Abbildung 83: Der Entscheidungsbaum der Kombinatorik

Aus der Kombinatorik lassen sich die meisten Wahrscheinlichkeits- und Verteilungsfunktionen ableiten. So werden bspw. die Binomialkoeffizienten aus dem Bereich der Kombination für die Binomial- und hypergeometrische Verteilung benötigt, die Formel der Permutation mit Wiederholung findet Anwendung im Rahmen der später zu behandelnden Multinomialverteilung etc.

3.3

Diskrete Verteilungen

Mit den nun folgenden diskreten Verteilungen lassen sich Wahrscheinlichkeiten für Ereignisse bestimmter Zufallsexperimente angeben, die nur endlich viele oder abzählbar unendlich viele Ausprägungen besitzen.56

54

Anmerkung: Es befinden sich N-Kugeln in der Urne, aus denen n-Kugeln gezogen werden.

55

Siehe Fallstudie 41.

98

3 Schließende Statistik

Die meisten diskreten Verteilungen lassen sich anschaulich durch das bereits diskutiere Urnenmodell erklären, was im Bereich der Grundlagen zunächst auch wieder aufgegriffen werden soll. Nachdem verallgemeinernd die Wahrscheinlichkeits- und Verteilungsfunktion erläutert, sowie Erwartungswert und Varianz von diskreten Verteilungen erklärt werden, folgen mit der Binomial-, der hypergeometrischen- und der Poissonverteilung die wohl wichtigsten eindimensionalen Verteilungen (Verteilung mit nur einer einzigen Zufallsvariable) und im Anschluss mit der Multinomialverteilung eine bzw. die wichtigste mehrdimensionale Verteilung (Verteilung mit mehreren Zufallsvariablen).

3.3.1

Grundlagen

3.3.1.1

Wahrscheinlichkeits- und Verteilungsfunktion

Eine Wahrscheinlichkeitsfunktion f(xi) gibt für jeden möglichen xi-Wert der diskreten Zufallsvariablen X an, mit welcher Wahrscheinlichkeit er auftritt. Es gilt: f(xi) = P(X=xi) Die Verteilungsfunktion einer (diskreten) Zufallsvariablen X, bezeichnet als F(x), ist hingegen eine Funktion, die die Wahrscheinlichkeit dafür angibt, dass die Zufallsvariable X höchstens den Wert xi annimmt. Es gilt: F(x) = P(X≤xi) Als Beispiel diene wiederum unsere Urne, bestehend aus 3 weißen und einer schwarzen Kugel, aus der wir mit Zurücklegen 2 Kugeln ziehen. Gefragt ist nach der Wahrscheinlichkeits- und Verteilungsfunktion für die Anzahl der weißen Kugeln in der Stichprobe. Aus nachfolgender Graphik lässt sich dann die Wahrscheinlichkeitsfunktion ableiten:

56

Im Gegensatz hierzu liegen den stetigen Verteilungen stetige (kontinuierliche) Zufallsvariablen zugrunde, die zumindest in einem bestimmten Teilbereich der reellen Zahlen jeden beliebigen Zahlenwert annehmen können. Vgl. zu den Verteilungsfunktionen auch Puhani J., 2008, 129ff.

3.3 Diskrete Verteilungen

99

w

P( ww ) 

s

P( ws) 

3 3 9   4 4 16

w 3 1 3   4 4 16 P () 

w

P(sw ) 

s

P(ss) 

s

1. Zug

2. Zug

16 16

1 3 3   4 4 16

1 1 1   4 4 16

Wahrscheinlichkeit

Abbildung 84: Wahrscheinlichkeiten von diskreten Ereignissen I

Elementarereignisse e1 = ss e2 = sw e3 = ws e4 = ww

P(ei) P(e1) = 0,0625 P(e2) = 0,1875 P(e3) = 0,1875 P(e4) = 0,5625

Anzahl weiß x1 = 0

P(X=xi) = f(xi) f(x1) = 0,0625

x2 = 1

f(x2) = 0,3750

x3 = 2

f(x3) = 0,5625

Abbildung 85: Wahrscheinlichkeiten von diskreten Ereignissen II

Die Wahrscheinlichkeit bspw. für eine weiße Kugel in der Stichprobe ist also: P(X=x2) = f(x2) = 0,3750 Würde bspw. nach der Wahrscheinlichkeit gefragt, mit der sich höchstens eine weiße Kugel in der Stichprobe befindet, ergäbe sich die korrespondierende Verteilungsfunktion: F(x) = P(X≤x2) = P(X≤1) = 0,4375 (0,0625 + 0,3750)

100 3.3.1.2

3 Schließende Statistik Erwartungswert und Varianz

Im Rahmen der deskriptiven Statistik lernten wir bereits das arithmetische Mittel als einen der bedeutendsten Lageparameter und die Varianz als Streuungsparameter kennen. Dem arithmetischen Mittel entspricht im Rahmen der Wahrscheinlichkeitsverteilung der Erwartungswert. Er ist für eine diskrete Zufallsvariable allgemein definiert als: E(X) = Σ xi . P(X=xi) Für die Varianz als Streuungsparameter gilt: V(X) = Σ [xi-E(X)]2 . f(xi) bzw. durch umformen: V(X) = Σ xi2 . f(xi) – [E(X)]2 Für obiges Zufallsexperiment erhalten wir: E(X) = Σ xi . P(X=xi) = 0 . 0,0625 + 1 . 0,375 + 2 . 0,5625 = 1,5 V(X) = Σ xi2 . f(xi) – [E(X)]2 = 0 . 0,0625 + 1 . 0,375 + 4 . 0,5625 – 1,52 = 0,375 D.h., würde das Zufallsexperiment beliebig oft wiederholt, hätte man durchschnittlich 1,5 weiße Kugeln in der Stichprobe bei einer Varianz von 0,375.

3.3.2

Binomialverteilung

Die Binomialverteilung geht als eine der ältesten diskreten statistischen Maße auf Jakob Bernoulli (1654 – 1705) zurück und ist eine der bedeutsamsten diskreten Verteilung.57 Ähnlich zur hypergeometrischen Verteilung lässt sie sich durch das Urnenmodell beschreiben.  Ausgangspunkt ist eine Urne, in der sich eine bestimmte Anzahl N Kugeln befinden.  Alle N-Kugeln sind in Größe und Gewicht identisch. Diese Annahme ist sehr wichtig, denn sie impliziert, dass alle Kugeln die gleiche Chance haben, gezogen zu werden.  Die Binomialverteilung unterscheidet bei der Urnenzusammensetzung lediglich zwei Arten von Kugeln, nämlich die „roten“ und „nicht-roten“ Kugeln. In diesem Zusammenhang spricht man von der dichotomen Grundgesamtheit.58

57

Viele Risikoparameter, bspw. Forderungsausfälle oder Umsatzeinbrüche lassen sich mit Hilfe der Binomialverteilung abbilden. Vgl. z.B. Stiefl J., Risikomanagement und Existenzsicherung, München, 2010, S. 152ff.

58

Andere diskrete Verteilungen, so die Multinomialverteilung, unterscheiden die „nicht-roten“ Kugeln nochmals in die entsprechenden Kategorien, also in blaue, grüne, gelbe Kugeln etc. und unterstellen somit eine nicht dichotome Grundgesamtheit.

3.3 Diskrete Verteilungen

101

 Bei der Modalität der Kugelentnahme wird vom Modell „Ziehen mit Zurücklegen“ ausgegangen.59  Die Kugelentnahme endet, wenn eine Zahl n (Stichprobe) zu ziehender Kugeln gezogen worden ist. Dies ist das Abbruchkriterium. Die Binomialverteilung hat die Wahrscheinlichkeitsfunktion: P(X  k ) 

n   k  (1  ) n k k

dabei ist:     

X die Zählvariable, die die Anzahl der „roten“ Kugeln in der Stichprobe angibt, k die Häufigkeit für das Eintreten des untersuchten Ereignisses (der roten Kugeln), n die Anzahl der Versuche des Experimentes, θ der Anteil der roten Kugeln (Wahrscheinlichkeit) und (1- θ) der Anteil der nicht-roten Kugeln (Gegenwahrscheinlichkeit)

Die Verteilungsfunktion lautet: F(k) = P(X ≤ k) und gibt die Wahrscheinlichkeit dafür an, dass die Zufallsvariable den Wert k nicht übersteigt. Erwartungswert E(X) und die Varianz V(X) für die Binomialverteilung errechnen sich aus: E(X) = n . θ bzw. V(X) = n . θ . (1 - θ) Beispiel 1: Im Kapitel „Rechnen mit Wahrscheinlichkeiten“ wurden die beiden Additionsbzw. Multiplikationssätze behandelt und u.a. anhand eines sehr einfachen und leicht nachzuvollziehenden Beispiels erklärt. Aus einer Urne, bestehend aus 3 weißen und einer schwarzen Kugel wurden nacheinander (mit Zurücklegen) 2 Kugeln gezogen. Anhand der „Pfadregel“ konnten dann die Wahrscheinlichkeiten für 0, 1 bzw. 2 weiße Kugeln in der Stichprobe bestimmt werden. Graphisch sah das Beispiel wie folgt aus:

59

Gelegentlich wird die Binomialverteilung auch benutzt, obwohl die gezogene Kugel nicht mehr in die Urne zurückgelegt worden ist. Die dann erfolgte Approximation der hypergeometrischen Verteilung (Ziehen ohne Zurücklegen) durch die Binomialverteilung ist im Falle einer „großen“ Grundgesamtheit N möglich. Als Approximationsregel gilt n/N 2) = 1 – P(X = 0) – P(X = 1) – P(X = 2) P(X  0) 

20  2,718 2  0,1354  13,54% 0!

P(X  1) 

21  2,718 2  0,2707  27,07% 1!

65

Auch hier befinden sich die Werte der Wahrscheinlichkeits- und –Verteilungsfunktion im Anhang unter 8.2.

3.3 Diskrete Verteilungen

111

Daraus ergibt sich: P(X > 2) = 1 – 0,2707 – 0,1354 – 0,2707 = 0,3232 = 32,32%. Beispiel 2: Der Besitzer einer Boutique weiß aufgrund von Erfahrungswerten, dass durchschnittlich 6 Kunden pro Stunde seinen Laden betreten. Wie lautet algebraisch und graphisch die Wahrscheinlichkeits- und die Verteilungsfunktion für P(X  10) ? Aus λ = 6 folgt: k

P (X = k) in %

P(X  k) in %

0 1 2 3 4 5 6 7 8 9 10

0,2479 1,4873 4,4618 8,9235 13,3853 16,0623 16,0623 13,7677 10,3258 6,8838 4,1303

0,2479 1,7352 6,1970 15,1205 28,5058 44,5681 60,6304 74,3981 84,7239 91,6077 95,7380

Abbildung 90: Wahrscheinlichkeits- und Verteilungsfunktion der Poissonverteilung I

Wahrscheinlichkeitsfunktion der Poissonerteilung mit dem Parameter λ=6

Verteilungsfunktion der Poissonerteilung mit dem Parameter λ = 6

20% 100%

15%

80% 60%

10%

40%

5% 0%

20%

0

1

2

3

4

5

6

7

8

9

10

0%

0

1

2

3

4

5

6

7

8

9

10

Abbildung 91: Wahrscheinlichkeits- und Verteilungsfunktion der Poissonverteilung II

Im Beispiel liegt also eine relativ symmetrische (um den Mittelwert λ = 6) Wahrscheinlichkeitsfunktion vor.66

66

Siehe Fallstudien 48 und 49.

112

3.3.5

3 Schließende Statistik

Multinomialverteilung

Die zu Beginn der diskreten Verteilungen behandelte Binomial- sowie hypergeometrische Verteilung stellten jeweils den eindimensionalen Spezialfall der mehrdimensionalen Multinomialverteilung dar. Beide erstgenannten unterstellten eine dichotome Grundgesamtheit, d.h. es gab lediglich zwei Elementarereignisse (Erfolg/Misserfolg; rote Kugel/nichtrote Kugel). Dabei unterschieden sich, wie bereits dargestellt, Binomial- und hypergeometrische Verteilung lediglich durch das Kriterium der Kugelentnahme, d.h. Ziehen mit bzw. ohne Zurücklegen. Die Multinomialverteilung lässt mehrere Elementarereignisse zu, weicht also von der Annahme einer dichotomen Grundgesamtheit ab und kann sowohl für die Ziehungsmodalität mit und ohne Zurücklegen beschrieben werden. Die Multinomialverteilung mit Zurücklegen beschreibt die Wahrscheinlichkeit dafür, dass bei n unabhängigen Ausführungen eines Experimentes das Ereignis X1 genau k1-mal, das Ereignis X2 genau k2-mal … und das Ereignis Xm genau km-mal eintritt und zwar jeweils mit den Eintrittswahrscheinlichkeiten θ 1, θ 2,…, θ m. Demzufolge wird die Multinomialverteilung beschrieben durch:67 P(X1 = k1, X2 = k2,…, Xm = km) =

n!  1k1   2 k 2  ...   m k m k 1!  k 2 !  ...  k m !

Beispiel: Ein Obstverkäufer entnimmt einer Lieferung, deren Anteil von einwandfreiem Obst 0,5, der Anteil von mittlerer Qualität 0,3 und der Ausschussanteil 0,2 beträgt, eine Stichprobe vom Umfang n = 10.68 Er möchte wissen, mit welcher Wahrscheinlichkeit die Stichprobe 7 einwandfreie und 3 mittelmäßige Obststücke enthält. Die Parameter sind: θ 1 = 0,5; θ 2 = 0,3; θ 3 = 0,2;

X1 = 7; X2 = 3; X3 = 0

Die Wahrscheinlichkeit errechnet sich aus: P(X1 = 7, X2 = 3, X3 = 0) =

10 !  0,57  0,33  0,20  0,025  2,5% 7 ! 3 ! 0 !

Die Wahrscheinlichkeit für 7 einwandfreie und 3 mittelmäßige Obststücke beträgt folglich 2,5%.69

67

Die hier beschriebene Verteilungsfunktion enthält die aus der Kombinatorik bekannten Elemente der Permutation mit Wiederholung sowie der Variation mit Zurücklegen.

68

Aufgrund der Tatsache, dass die Grundgesamtheit nicht bekannt ist, gehen wir von der Ziehungsmodalität „Ziehen mit Zurücklegen“ aus, denn in solchen Fällen unterstellt man eine „große“ Grundgesamtheit. Vgl. dazu auch die Binomialverteilung.

69

Siehe Fallstudie 50.

3.3 Diskrete Verteilungen

113

Gegenüber den Wahrscheinlichkeitsfunktionen mit dichotomer Grundgesamtheit macht bei der Multinomialverteilung die Angabe von Erwartungswert und Varianz keinen großen Sinn, da man diese Parameter jeweils für alle relevanten Ereignisse anzugeben hat. So gilt im obigen Fall bspw. für die Erwartungswerte: E (X i )  n   i und folglich E (X1 )  n  1  10  0,5  5 = Erwartungswert für einwandfreies Obst E (X 2 )  n   2  10  0,3  3 = Erwartungswert für mittlere Qualität und E (X 3 )  n   3  10  0,2  2 = Erwartungswert für Ausschussanteil.

Die Multinomialverteilung ohne Zurücklegen beschreibt die Wahrscheinlichkeit dafür, dass bei n entsprechend abhängigen Ausführungen eines Experimentes das Ereignis X1 genau k1-mal, das Ereignis X2 genau k2-mal … und das Ereignis Xm genau km-mal eintritt. Im Gegensatz zum Ziehen mit Zurücklegen erfolgt die Berechnung jedoch nicht unter der Angabe der relativen Häufigkeiten (θi), sondern der absoluten Häufigkeiten Mi. Demzufolge wird die Multinomialverteilung nun beschrieben durch: M1 P(X1  k 1 , X 2  k 2 ,...X m  k m ) 

k1



M2 k2

 ... 

Mm km

N n

Beispiel: Ein Obstverkäufer entnimmt einer Losgröße, bestehend aus 50 Obststücken, eine Stichprobe vom Umfang n=10. Aufgrund von Erfahrungswerten geht man davon aus, dass der Anteil von einwandfreiem Obst 0,5, der Anteil von mittlerer Qualität 0,3 und der Ausschussanteil 0,2 beträgt. Mit welcher Wahrscheinlichkeit enthält die Stichprobe 7 einwandfreie und 3 mittelmäßige Obststücke? Die Parameter sind: N=50; n=10; M 1=25; M2=15; M3=10; 25 P(X1  7, X 2  3, X 3  0) 

7



15 3 50

k1 = 7; k2 = 3; k3 = 0 

10 0

 0,0213

10

Die Wahrscheinlichkeit für 7 einwandfreie Obststücke und 3 von mittlerer Qualität beträgt 2,13%.70

70

Siehe Fallstudie 51.

114

3 Schließende Statistik

3.4

Stetige Verteilungen

3.4.1

Grundlagen

3.4.1.1

Dichte- und Verteilungsfunktion

Bei stetigen Zufallsvariablen kann nicht eine einzelne Wahrscheinlichkeit für das Auftreten von Elementarereignissen berechnet werden, sondern es werden Intervalle von Ereignissen bestimmt. Demzufolge sprechen wir auch nicht von einer Wahrscheinlichkeits-, sondern von einer Dichtefunktion. Diese gibt die Wahrscheinlichkeit an, mit der eine stetige Zufallsvariable einen Wert zwischen a und b annimmt. Die korrespondierende Wahrscheinlichkeit bestimmt sich somit als Integral der Dichtefunktion zwischen den Intervallgrenzen a und b. b

P(a  X  b)   f ( x )dx a

Ebenso wie bei der Verteilungsfunktion einer diskreten Zufallsvariablen gibt die Verteilungsfunktion einer stetigen Zufallsvariablen die Wahrscheinlichkeit dafür an, dass die Zufallsvariable X höchstens den Wert x annimmt. Bei der Verteilungsfunktion einer stetigen Zufallsvariable ist F(x) gleich dem Flächeninhalt unter dem Graphen der Funktion f bis zum Wert x. x

F( x )  P(X  x )   f ( x )dx 

Beispiel: Folgende Funktion beschreibe die Minuten die vergehen, bevor ein neuer Kunde an der Kasse eines Supermarktes steht: 0,5  0,125x für 0  x  4 f (x)   sonst 0

Die Wahrscheinlichkeit bspw. dafür, dass zwischen zwei Kunden 2 bis 3 Minuten vergehen ergibt sich aus dem Integral unter der Kurve wie folgt:

3.4 Stetige Verteilungen

115

f (x)

2

3

4

Abbildung 92: Dichtefunktion

Algebraisch folgt: 3

P(2  X  3)   (0,5  0,125x )dx 2



 0,5x  0,0625x 2



3 2

 0,9375  0,75  0,1875

Die Wahrscheinlichkeit, dass zwischen zwei Kunden 2 bis 3 Minuten vergehen, beträgt also 18,75%. Für die entsprechende Verteilungsfunktion gilt: 0  F( x )  0,5x  0,0625x 2 1 

für x  0 für 0  x  4 für x  4

Die gesuchte Wahrscheinlichkeit P(2≤X≤3) findet man unter Verwendung der Verteilungsfunktion also aus: P(2≤X≤3) = F(3) – F(2) = 0,9375 – 0,75 = 0,1875

116

3 Schließende Statistik

3.4.1.2

Erwartungswert und Varianz

Bereits im Rahmen der deskriptiven Statistik sowie im Bereich der diskreten Zufallsvariablen wurde die Bedeutung von arithmetischem Mittel/Erwartungswert sowie Varianz deutlich. Bei stetigen Zufallsvariablen ist der Erwartungswert allgemein definiert als 

E(X)   x  f ( x ) dx 

Für die Varianz einer stetigen Zufallsvariablen gilt allgemein: 

V(X)   x  E(X)2  f ( x )dx bzw. durch Umformung (zwecks leichterer Handhabbarkeit) 



V(X)   x 2 f ( x ) dx  E (X)2 

In obigem Beispiel ergibt sich: 4

4

0

0

E (X )   x  (0,5  0,125x ) dx   (0,5x  0,125x 2 ) dx 0,125 3  4   x   1,33 Minuten und E (X )  0,25x 2  3  0 4

4

0

0

V(X )   x 2  (0,5  0,125x ) dx  1,33 2   (0,5x 2  0,125x 3 ) dx  1,33 2  0,5 3 0,125 4  4  x   1,33 2  0,889 Minuten x  V(X)   4  3 0

3.4.2

Die Normalverteilung/Standardnormalverteilung71

Die Normalverteilung und die daraus abgeleitete Standardnormalverteilung ist wohl die bedeutsamste stetige Verteilung der Statistik und eine, wenn nicht die bedeutsamste Verteilung in der Wirtschaftsstatistik. Sie wurde 1733 von Abraham de Moivre (1667 – 1754) als Grenzverteilung (für einen gegen unendlich gehenden Stichprobenumfang n bei konstanter Wahrscheinlichkeit P) der Binomialverteilung hergeleitet und ca. hundert Jahre später durch Carl Friedrich Gauß im Zusammenhang mit der Theorie der Messfehler neu entdeckt. Aus dieser Zeit ist sie häufig auch als Gaußsche Normalverteilung, -Glockenkurve oder Fehlerkurve bekannt.

71

Vgl. im weiteren Verlauf z.B. Bortz J., 2005, Bamberg G./Baur F., 2007, Bleymüller J./Gehlert G./Gülicher H., 2004 oder Cottin C./Döhler S., 2009, S. 25ff.

3.4 Stetige Verteilungen

117

Ihre besondere Bedeutung hat die Normalverteilung deshalb erlangt, weil viele Zufallsvariable, die bei Experimenten und Beobachtungen in der Praxis auftreten, exakt oder zumindest annähernd normalverteilt sind. Im Rahmen des Risikomanagements z.B. hat sie eine herausragende Bedeutung bei der Berechnung des Value at Risk, der später im Rahmen der Konfidenzintervalle detailliert zur Sprache kommt. Die Dichte der Normalverteilung ist gegeben durch ( x  ) 2

1

f (x) 

2  

e

22

Durch Integration der Dichtefunktion erhält man die Verteilungsfunktion einer mit den Parametern Erwartungswert μ und Standardabweichung σ beschriebenen normalverteilten Zufallsvariablen x: x

F( x )  



1 2  

e

1   2  ( ) d 2 

mit: E(x) = μ (Mittelwert) V(x) = σ2 (Varianz) bzw.

V( x )  σ = Standardabweichung

Wahrscheinlichkeit (Dichtefunktion)

Gewinn -600‘

-400‘

0

400‘

Erwartungswert = 200‘ €

Abbildung 93: Dichtefunktion der Normalverteilung

800‘

1.200‘

118

3 Schließende Statistik

Obige Abbildung beschreibt eine Dichtefunktion mit einem erwarteten Gewinn von μ = 200 T€. Die Standardabweichung σ sei im Beispiel 456 T€. Eine größere/kleinere Standardabweichung würde sich in einer flacheren/steileren Funktion niederschlagen. Läge der Mittelwert hingegen nicht bei 200 T€, sondern bspw. bei 100 T€ oder 300 T€, würde sich die Funktion lediglich parallel nach links/rechts verschieben. Für die Normalverteilung gilt:    

Die Dichte der Normalverteilung ist symmetrisch zum Mittelwert μ. An den Stellen μ  σ ist die Dichte am steilsten. 68,3 % der Gesamtfläche liegen im Bereich μ  σ  x  μ  σ . 95,5 % der Gesamtfläche liegen im Bereich μ  2 σ  x  μ  2 σ .

 99,73% der Gesamtfläche liegen im Bereich μ  3 σ  x  μ  3 σ . Jede beliebige Normalverteilung mit den Parametern μ und σ lässt sich in eine Normalverteilung mit μ = 0 und σ = 1 transformieren. Man erhält dann die Standardnormalverteilung: F(z) 

1 2

e



z2 2

durch lineare Transformation mit der Formel: z

x  

Mit dieser Standardisierungsformel lassen sich nun beliebige Wahrscheinlichkeiten berechnen. Die Vorgehensweise ist immer gleich: Schritt 1: Zunächst wird eine Skizze angefertigt, um den gesuchten Bereich der Dichtefunktion (das Integral der standardisierten Verteilung) besser einschätzen zu können. Schritt 2: Dann berechnet man z mittels der Standardisierungsformel und entnimmt den Wert der Verteilungsfunktion aus der Tabelle zur Standardnormalverteilung (siehe Anhang 8.3). Je nach Vorzeichen von z und Richtung der Frage ist die Antwort in der Tabelle unter F(-z), F(z) oder der Differenz D(z) abzulesen. Beispiel: Unter der oben getroffenen Annahme, dass der Erwartungswert des Gewinns der Abrechnungsperiode μ = 200 T€ und die Standardabweichung σ = 456 T€ betragen soll, sind folgende Wahrscheinlichkeiten zu berechnen: a) b)

Mit welcher Wahrscheinlichkeit erleidet man einen Verlust? Mit welcher Wahrscheinlichkeit ist der Gewinn größer als 800 T€?

3.4 Stetige Verteilungen c)

119

Mit welcher Wahrscheinlichkeit erhält man einen Gewinn zwischen 100 und 500 T€?

Zu a) Gesucht ist der schwarz markierte Bereich der Gauss´schen Glockenkurve.

Wahrscheinlichkeit (Dichtefunktion)

Gewinn -600‘

-400‘

0

400‘

800‘

1.200‘

Erwartungswert = 200‘ €

Abbildung 94: Beispiel I zur Standardnormalverteilung

Ausgehend vom Erwartungswert μ wird die Glocke in symmetrische Hälften unterteilt, d.h. der Erwartungswert trennt die linke von der rechten 50%-Hälfte. Die gesuchte Wahrscheinlichkeit ist somit auf jeden Fall kleiner als 50%. Der z-Wert ermittelt sich aus: z

x  μ 0  200   0,44 σ 456

F(-0,44) = 0,33 = 33% (aus Tabelle der Standardnormalverteilung; siehe Anhang 8.3), d.h., die Wahrscheinlichkeit, dass die Gesellschaft einen Verlust erleidet, liegt bei 33%.

120

3 Schließende Statistik

Zu b) Gesucht ist der schwarz markierte Bereich der Gauss´schen Glockenkurve.

Wahrscheinlichkeit (Dichtefunktion)

Gewinn -600‘

-400‘

0

400‘

800‘

1.200‘

Erwartungswert = 200‘ €

Abbildung 95: Beispiel II zur Standardnormalverteilung

Der Messwert 800 T€ liegt rechts vom Erwartungswert μ = 200 T€ und gesucht ist der Bereich > 800 T€. Der z-Wert ermittelt sich aus: z

x  μ 800  200   1,32 σ 456

Der korrespondierende F-Wert, F(1,32) beträgt 0,9066, d.h. 90,66%. Diese Angaben aus der Standardnormalverteilungstabelle beziehen sich aber immer auf den Bereich links vom gesuchten Wert, da im Beispiel jedoch nach der Wahrscheinlichkeit rechts vom gesuchten Wert gefragt ist, wird der ermittelte Wert von 1 bzw. 100% abgezogen. F(x > 800) = 1 - 0,9066 = 0,0934 = 9,34%

3.4 Stetige Verteilungen

121

Zu c) Gesucht ist der schwarz markierte Bereich der Gauss´schen Glockenkurve.

Wahrscheinlichkeit (Dichtefunktion)

Gewinn -600‘

-400‘

0

400‘

800‘

1.200‘

Erwartungswert = 200‘ €

Abbildung 96: Beispiel III zur Standardnormalverteilung

Die gesuchte Wahrscheinlichkeit wird nun durch die beiden zu berechnenden Messwerte 100 und 500 eingegrenzt. z1 

500  200  0,66 ; F(0,66) = 0,7454 456

z2 

100  200  0,22 ; F(-0,22) = 0,4129 456

Daraus ergibt sich dann die Wahrscheinlichkeit: F(100 < x < 500) = 0,7454 – 0,4129 = 0,3325 = 33,25% Dies ist die Wahrscheinlichkeit für einen Wert zwischen einem Gewinn von 100 T€ und 500 T€.72

3.4.3

Die Gleichverteilung

Die Gleichverteilung, die man sowohl im diskreten als auch im stetigen Fall kennt, hat für die Betriebswirtschaftslehre im allgemeinen und das Risikomanagement im besonderen für

72

Siehe Fallstudien 52 und 53.

122

3 Schließende Statistik

den stetigen Fall eine große Bedeutung. Sie kommt immer dann zum Einsatz, wenn bezüglich der potenziellen Umweltzustände keinerlei Eintrittswahrscheinlichkeiten angegeben werden können (Prinzip des unzureichenden Grundes). Dann unterstellt man, verteilt über das potenzielle Intervall, gleiche Eintrittswahrscheinlichkeiten der Umweltzustände. Für die Dichtefunktion gilt:  1  f ( x )   (b  a ) 0 

für a  x  b sonst

Daraus resultiert die Verteilungsfunktion: 0   (x  a) F( x )    (b  a )  1

für x  a für a  x  b für x  b

mit: a = Intervalluntergrenze und b = Intervallobergrenze Erwartungswert E(X) und Varianz V(X) der Gleichverteilung werden gebildet durch: x x 2 b (b 2  a 2 ) (b  a )  dx  | 2(b  a ) a 2(b  a ) 2 a (b  a ) b

E( x )  

b (x

V( x )  

a

(b  a ) 2 (b  a ) 3 ) (x  ) b (b  a ) 2 2 2 dx  | (b  a ) 3(b  a ) a 12



Beispiel: Eine Unternehmung geht davon aus, dass die Wahrscheinlichkeit für Forderungsausfälle im Unternehmen zwischen 5 und 20% liegt. Wie groß ist die Wahrscheinlichkeit unter der Annahme der Gleichverteilung, dass a)

der Forderungsausfall weniger als 15% bzw.

b) mehr als 18% beträgt? c)

Wie lauten Erwartungswert und Varianz?

Zu a) Es gilt: a ≤ x ≤ b, mit 5 ≤ x ≤ 20

F( x  15) 

( x  a ) (15  5)   0,667  66,7% (b  a ) (20  5)

Die Wahrscheinlichkeit, dass der Forderungsausfall weniger als 15% beträgt, liegt bei 66,7%.

3.4 Stetige Verteilungen

123

Zu b) F( x  18)  1 

(x  a) (18  5)  1  1  0,867  0,133  13,3% (b  a ) (20  5)

Mit einer Wahrscheinlichkeit von 13,3% wird der Forderungsausfall mehr als 18% betragen. Zu c) Erwartungswert E(X) und Varianz V(X) lauten: E(x ) 

(b  a ) (20  5)   12,5 % 2 2

V( x ) 

(b  a ) 2 (20  5) 2   18,75 % 12 12

Im Beispiel beträgt der Erwartungswert folglich 12,5% bei einer Varianz von 18,75%, aus der sich eine Standardabweichung von 4,33% ergibt.73 Die Dichtefunktion zeigt in der Graphik neben dem Erwartungswert auch die gleichverteilten Einzelwahrscheinlichkeiten der Forderungsausfälle (in %).

Wahrscheinlichkeit (Dichtefunktion)

6,67

0

5

10

15

Erwartungswert = 12,5 Abbildung 97: Dichtefunktion einer Gleichverteilung

73

Siehe Fallstudie 54.

20

25

Forderungsausfälle

124

3.4.4

3 Schließende Statistik

Die Dreiecksverteilung

Die Dreiecksverteilung ist neben der Standardnormal- und der Gleichverteilung die dritte stetige Verteilung, die eine besondere Relevanz in Bereichen der Betriebswirtschaftslehre genießt. Ähnlich zur Standardnormalverteilung kann hierbei der wahrscheinlichste Wert c angegeben werden. Allerdings liegen keine präzisen symmetrischen Abweichungen von diesem Erwartungswert vor. Vielmehr wird die Untergrenze durch einen minimalen Wert a und die Obergrenze durch einen maximalen Wert b bestimmt. Somit gilt: a ≤ c ≤ b. Die dreigeteilte Dichtefunktion lautet:  2( x  a )  ( b  a )  (c  a )     2(b  x ) f (x)    ( b  c)  ( b  a )   0 

für a  x  c

für c  x  b

sonst

Daraus resultiert die Verteilungsfunktion:  (x  a) 2   ( b  a )  (c  a )    (b  x ) 2 F( x )  1   ( b  a )  ( b  c)   0  

für a  x  c

für c  x  b

sonst

Erwartungswert E(x) und Varianz V(x) der Dreiecksverteilung werden beschrieben durch: E(x ) 

( a  b  c) 3

V( x ) 

a 2  b 2  c 2  ab  ac  bc (a  b) 2  (b  c) 2  (a  c) 2  18 36

3.4 Stetige Verteilungen

125

Beispiel: Das Risikomanagement eines Unternehmens hat das Ausfallrisiko eines ihrer Schlüsselpersonen zu kalkulieren. Es kommt zu dem Schluss, dass unter normalen Bedingungen der Ausfall einen Schaden von 150.000,- € verursachen wird. Sollten sich die Rahmenbedingungen hingegen ändern, besteht die Möglichkeit, dass der Schaden im günstigsten Fall auf 40.000,- € reduziert werden kann. Allerdings kann es auch passieren, dass der Ausfall der Schlüsselperson zu einem deutlich höheren Schaden führt. Das Risikomanagement taxiert den maximalen Schaden auf 400.000,- €. Wie groß ist die Wahrscheinlichkeit, dass a)

der Schaden geringer als 100.000,- €,

b) geringer als 200.000,- € bzw. c)

höher als 160.000,- € ist?

d) Wie lauten Erwartungswert und Varianz?

Zu a) Es gilt generell: a=40.000; c=150.000; b=400.000

F( x  100.000) 

(100.000  40.000) 2  0,09  9% (400.000  40.000)  (150.000  40.000)

Die Wahrscheinlichkeit für einen Schaden, der geringer als 100.000,- € ausfällt, liegt bei 9%. Zu b) Im Gegensatz zur Aufgabenstellung a) wird nun der zweite Bereich der Verteilungsfunktion benötigt, da 150.000 ≤ 200.000 ≤ 400.000 gilt.

F( x  200.000)  1 

(400.000  200.000) 2  0,555  55,5% (400.000  40.000)  (400.000  150.000)

Die Wahrscheinlichkeit für einen Schaden, der geringer als 200.000,- € ausfällt, beläuft sich auf 55,5%. Zu c) Der Schaden in Höhe von 160.000,- € befindet sich im zweiten Bereich der Verteilungsfunktion, ähnlich der Aufgabenstellung b). Allerdings ist nun, bezogen auf die Verteilungsfunktion, nach der Gegenwahrscheinlichkeit gefragt. Es gilt: F( x  160.000)  1  (1 

(400.000  160.000) 2 )  0,64  64% (400.000  40.000)  (400.000  150.000)

Die Wahrscheinlichkeit für einen Schaden, der höher als 160.000,- € ausfällt, beläuft sich auf 64%. Zu d) Erwartungswert E(x) und Varianz V(x) der Dreiecksverteilung haben die Werte: E(x ) 

(a  b  c) (40.000  400.000  150.000)  196.666,67 €  3 3

126

3 Schließende Statistik

V( x )  

a 2  b 2  c 2  ab  ac  bc (a  b) 2  (b  c) 2  (a  c) 2  18 36 (40.000  400.000) 2  (400.000  150.000) 2  (40.000  150.000) 2  5.672.222.244€ 36

Im Beispiel beträgt der Erwartungswert folglich 196.666,- € bei einer Varianz von 5.672.222.244 €, aus der sich eine Standardabweichung von 75.314 € ergibt.74 Die Dichtefunktion hat für obiges Beispiel folgendes Aussehen (in T€): Wahrscheinlichkeit (Dichtefunktion)

2 ba

0

40

150

400

Schaden

Erwartungswert = 197 Abbildung 98: Dichtefunktion einer Dreiecksverteilung

3.4.5

Exponentialverteilung

Neben den bereits beschriebenen Standardnormal-, Gleich- und Dreiecksverteilungen kommt der Exponentialverteilung im Rahmen der Betriebs- und Volkswirtschaftslehre eine relativ hohe Bedeutung zu. Sie kommt immer dann zur Anwendung, wenn ein Prozess die poissonschen Annahmen erfüllt, wobei die Zeitdauer zwischen aufeinander folgenden Ereignissen unabhängig ist.75 Die Exponentialverteilung modelliert bspw.

74

Siehe Fallstudie 55.

75

Dies bedeutet bspw., dass für die Modellierung der noch zu erwartenden Lebensdauer von Lebewesen keine Exponentialverteilung zugrundegelegt werden darf. Dann nämlich wäre die Wahrscheinlichkeit, dass ein Fünf-

3.4 Stetige Verteilungen

127

 die Zeit, die zwischen zwei Kunden an der Kasse vergeht oder  die Lebensdauer von Produkten mit konstanter Ausfallrate bzw. konstanter Ereignisdauer. Gleich zur Poissonverteilung ist die Exponentialverteilung durch den einzigen Parameter λ beschrieben. λ hat den Charakter einer Ausfallrate, dessen Kehrwert den Charakter einer Lebensdauer. Die Dichtefunktion lautet: e x  f (x)   0 

für x  0 und   0 sonst

Daraus resultiert die Verteilungsfunktion: 1  e x F( x )   0

für x  0 sonst

Erwartungswert E(x) und Varianz V(x) der Exponentialverteilung werden beschrieben durch: E( x )  V( x ) 

1 bzw.  1 2

Beispiel: Die Zeit, die zwischen dem Eintreffen zweier Kunden an einem Bankschalter vergeht, sei exponentialverteilt mit dem Erwartungswert von 2 Minuten. Bestimmen Sie: a)

Dichte- und Verteilungsfunktion,

b)

die Wahrscheinlichkeit, dass zwischen dem Eintreffen zweier Kunden höchstens 1 Minute vergeht,

c)

die Wahrscheinlichkeit, dass zwischen dem Eintreffen zweier Kunden mindestens 2 Minuten vergehen,

d)

die Wahrscheinlichkeit, dass zwischen dem Eintreffen zweier Kunden die Zeit, die vergeht, zwischen einer und zwei Minuten beträgt?

Zu a) Aus dem Erwartungswert E(X) = 2 folgt λ = 0,5 sowie

zigjähriger weitere 50 Jahre lebt genauso groß, wie die eines Neugeborenen. Vgl. hierzu auch die bereits beschriebene Poissonverteilung im Rahmen der diskreten Verteilungen.

128

3 Schließende Statistik

0,5e 0,5x für x  0  f (x)   0 sonst 

und 1  e 0,5 x F( x )   0

für x  0 sonst

Zu b) F( x  1)  1  e 0,5  1  0,3935

Die Wahrscheinlichkeit, dass zwischen dem Eintreffen zweier Kunden höchstens eine Minute vergeht, liegt bei 39,35%. Zu c) F( x  2)  1  1  e 0,5  2  0,3679

Die Wahrscheinlichkeit, dass zwischen dem Eintreffen zweier Kunden mindestens zwei Minuten vergehen, beträgt 36,79%. Zu d) F(1  x  2)  (1  e 0,5  2 )  (1  e 0,5  1 )  0,2386

Die Wahrscheinlichkeit, dass zwischen dem Eintreffen zweier Kunden zwischen einer und zwei Minuten vergehen, beträgt 23,86%.76 Die Dichtefunktion der Exponentialverteilung für obiges Beispiel sieht wie folgt aus:

76

Siehe Fallstudie 56.

3.4 Stetige Verteilungen

129

Wahrscheinlichkeit (Dichtefunktion) 60% 50% 40% 30% 20% 10% 0% 1

2

3

4

5

6

7

8

9

10

11

Abbildung 99: Dichtefunktion der Exponentialverteilung

3.4.6

Wichtige stetige Prüfverteilungen

In der schließenden Statistik verwendet man immer wieder eine Reihe von Verteilungen, um bspw. den Stichprobenmittelwert, die Stichprobenvarianz oder das Verhältnis der Varianzen zweier Stichproben, den Regressionsansatz oder den Korrelationskoeffizienten i.v.m. auf die so genannte Signifikanz hin zu testen. Diese Prüfgrößen dienen als Schätzwerte, sind also ihrerseits Zufallsvariable und deren Wahrscheinlichkeitsverteilungen die Grundlage für die auf diesen Prüfungen basierenden Tests. Bei allen Prüfverteilungen ist die Zahl der Freiheitsgrade als Parameter der Dichtefunktion der Prüfverteilung bedeutsam, weshalb auf diesen Begriff etwas näher eingegangen werden soll. Die Freiheitsgrade bzw. die Anzahl der Freiheitsgrade einer statistischen Kenngröße (wie bspw. der noch zu diskutierenden t-Verteilung) ist die Anzahl der unabhängigen Beobachtungswerte, die den Berechnungen zugrunde liegt, abzüglich der Anzahl der in die Berechnung zusätzlichen eingehenden Parameter, die ebenfalls auf Beobachtungswerten basieren. So stehen bspw. für die Berechnung der Stichprobenvarianz n-Werte zur Verfügung. Zusätzlich wird als Parameter der Mittelwert benötigt. Deshalb wird mit n-1 Freiheitsgraden gerechnet.

130

3 Schließende Statistik

3.4.6.1

t-Verteilung

Die t-Verteilung, auch Studentverteilung genannt, spielt vor allem beim Signifikanztest statistischer Hypothesen, wie bspw. der Regressions- und Korrelationskoeffizienten eine große Rolle. Sie verdankt ihren Namen dem englischen Statistiker W. S. Gosset, der 1908 unter dem Pseudonym „Student“ einen Artikel mit ihren Ableitungen veröffentlichte. Gosset stellte fest, dass die Maßzahl für die Abweichungen der Stichprobenmittelwerte nur dann der Standardnormalverteilung folgt, wenn die Werte xi normalverteilt sind und die beiden relevanten Parameter der Standardnormalverteilung, der Erwartungswert μ und die Standardabweichung σ bekannt sind. Häufig ist aber die Standardabweichung der Grundgesamtheit unbekannt, so dass die Standardisierungsformel z

x  μ0 x  μ0 durch t  s σ n

n

ersetzt wird, wobei s die Standardabweichung der Stichprobe ist (die Standardabweichung der Grundgesamtheit war ja annahmegemäß unbekannt). Bei einer kleinen Zahl von Freiheitsgraden (kleine Stichprobenumfänge) ist die Abweichung von der (Standard)Normalverteilung relativ groß, weshalb die Studentverteilung insbesondere bei einer kleinen Anzahl von Versuchen ihre Daseinsberechtigung hat. Ab 30 Versuchen (n = 30) geht die Studentverteilung langsam in die Standardnormalverteilung über. Deshalb wird die Studentverteilung durch die Normalverteilung approximiert bei n > 30. Im Tabellenanhang ist die Studentverteilung für vorgegebene Werte der Verteilungsfunktion für unterschiedliche Freiheitsgrade ν angegeben (siehe Gliederungspunkt 8.5). 3.4.6.2

χ2-Verteilung

Die χ2-Verteilung (Chi-Quadrat) liegt dem χ2-Anpassungstest, dem χ2-Unabhängigkeitstest und dem χ2-Homogenitätstest zugrunde. Außerdem benötigt man sie bspw. zur Bestimmung von Konfidenzintervallen für Varianzen. Die Formel der χ2-Verteilung geht auf F.R. Helmert aus dem Jahre 1875 zurück. Dabei entspricht die Verteilung folgendem stochastischen Modell: Wenn unabhängige standardnormalverteilte Zufallsvariable Z1, Z2, Z3,…Zν, also Zufallsvariable mit dem Erwartungswert μ = 0 und der Standardabweichung σ = 1 betrachtet werden, dann gehorcht die Quadratsumme χ2 = Z12 + Z22 + Z32 +…+ Zν2 einer χ2-Verteilung mit ν Freiheitsgraden. Da die χ2-Verteilung tabelliert vorliegt, soll auf die Darstellung der Dichte- und Verteilungsfunktion an dieser Stelle verzichtet werden. Die Wahrscheinlichkeiten einer χ2-

3.5 Approximationen

131

verteilten Zufallsvariable für vorgegebene Werte der Verteilungsfunktion können wiederum aus dem Tabellenanhang herausgezogen werden (siehe Gliederungspunkt 8.4).77 3.4.6.3

F-Verteilung

Die F-Verteilung dient in erster Linie der Varianzanalyse und der Prüfung von Regressionsund Korrelationskoeffizienten und geht auf Ronald Fisher zurück. Sie geht von zwei unabhängigen χ2-verteilten Zufallsvariablen X und Y mit ν1 und ν2 Freiheitsgraden aus. Dann ist der folgende Quotient F-verteilt: X 1 F Y 2

Für den Quotienten der Varianzen s12 und s22 aus zwei unabhängigen Stichproben n1 und n2 aus zwei normalverteilten Grundgesamtheiten mit gleicher Varianz gilt: F

s12 s22

3.5

wobei s12 > s22.

Approximationen

Es gibt eine Reihe von Bedingungen, deren Eintreten es ermöglichen, dass eine Verteilung durch eine andere (einfacher zu handhabende) Verteilung ersetzt werden kann. So kann bspw. die recht aufwendig zu berechnende hypergeometrische Verteilung durch die Binomialverteilung oder die Normalverteilung approximiert werden. Bevor jedoch die Approximationsregeln und die entsprechenden neuen Parameter vorgestellt werden sollen, wollen wir noch einmal einen Blick auf diejenigen Verteilungen sowie deren Parameter, Erwartungswerte und Varianzen werfen, bei denen sich eine Approximation anbietet:78

77

An späterer Stelle wird anhand des χ 2-Anpassungs- und des χ2-Unabhängigkeitstests die Funktionsweise näher erläutert.

78

In der Tabelle fehlen eine Reihe von vorgestellten Verteilungen. Bspw. eignet sich die Gleich- oder Dreiecksverteilung nicht zur Approximation.

132

3 Schließende Statistik Verteilung

Binomialverteilung hypergeometrische Verteilung Poissonverteilung Normalverteilung

Parameter 0   1 n = 1,2… N = 1,2,… M = 0,1,…,N n = 1,2,….,N λ>0 -∞ < μ < +∞ σ>0

Erwartungswert

Varianz

n 

n    (1  )

n

M N

n

M NM Nn   N N N 1

λ

λ

μ

σ

Studentverteilung

ν = 1,2,…

0 für ν > 1

χ2-Verteilung

ν = 1,2,…

ν

ν für ν > 2 ν 2 2 .ν

ν1 > 0 und ν2 > 0

ν2 für ν2 > 2 ν2  2

2 ν 2 2 (ν1  ν 2  2) ν1 (ν 2  2) 2 (ν 2  4)

F-Verteilung

für ν2 > 4

Abbildung 100: Wichtige Verteilungsparameter

Nachfolgend werden die Kriterien genannt, die die Approximation gestatten:

3.5 Approximationen

133 approximiert durch

Parameter

Binomialverteilung

M  N

Verteilung hypergeometrische Verteilung n Regel:  0,1 N hypergeometrische Verteilung n Regel:  0,05 ; n  30 N

Poissonverteilung

n

M  N

M  N M M N n n  (1  )   σ2 N N N 1 n

hypergeometrische Verteilung M M Regel: n  (1  )  9 ; N > 2 . n N N

Normalverteilung

Binomialverteilung Regel: n  30;   0,1

Poissonverteilung

Binomialverteilung Regel: n   (1  )  9

Normalverteilung

Poissonverteilung Regel: λ  9

Normalverteilung

Studentverteilung Regel: ν  30

Normalverteilung

n θ  λ n    n   (1  )  σ 2 λμ λ  σ2 t  z 79

Abbildung 101: Wichtige Approximationsregeln

Einige der Approximationsregeln sollen nun anhand von Beispielen veranschaulicht werden: Beispiel 1: Der Hersteller von Stanzwerkzeugen entnimmt seiner Monatsproduktion, die mehrere tausend Werkzeuge enthält, eine Stichprobe von 60 Stück. Er weiß aufgrund von Erfahrungswerten, dass der Anteil der defekten Werkzeuge 20% beträgt. Wie groß ist die Wahrscheinlichkeit, dass der Hersteller in der Stichprobe weniger als 15 defekte Werkzeuge findet? Aufgrund der großen Grundgesamtheit sind die Werkzeuge binomialverteilt mit θ =0,2, n = 60 und der gesuchten Verteilungsfunktion P(X < 15). Es ist offenkundig, dass die Berechnung über die Binomialverteilung sehr aufwendig wäre. Man würde eine Wahrscheinlichkeit von: P(X  14)  0,7935  79,35% bekommen . 80

79

D.h., anstatt der Studentverteilung (t) werden die Werte aus der Standardnormalverteilung (z) genommen.

134

3 Schließende Statistik

Aufgrund der Approximationsregel n    (1  )  9, d . h . 60  0,2  0,8  9,6  9, kann die Binomialverteilung durch die (Standard)Normalverteilung approximiert werden. Die Parameter lauten: E(X) = 60 . 0,2 = 12 = μ V(X) = 60 . 0,2 . 0,8 = 9,6 = σ2 Daraus folgt für die standardisierte z-Formel:81 z 

14,5  12 9,6

 0,81

→ P(X  14)  0,791  79,1%

Die Standardnormalverteilung gibt also eine gute Annäherung, d.h. lediglich eine Abweichung vom Wert der Binomialverteilung in Höhe von 79,35 – 79,10 = 0,25%. Beispiel 2: Von den 600 Studierenden eines Fachbereiches bestreiten 180 ihr Studium aus eigenen Mitteln. Wie groß ist die Wahrscheinlichkeit, dass unter 60 zufällig ausgewählten Studierenden 15 bis 20 ihr Studium selbst bestreiten? Es liegt eine hypergeometrische Verteilung vor, mit den Parametern N=600, M=180 und n=60, wobei k= 15, 16,…, 20 ist. Man würde als exakten Wert P(15  X  20)  0,6242  62,42% erhalten. M M  (1  )  9 (60  0,3  0,7  12,6) und N  2  n (600  120) , ist die ApproximatiN N onsmöglichkeit der hypergeometrischen durch die Standardnormalverteilung gegeben. Es errechnen sich:

Da n

μ = 60 . 0,3 = 18 und σ2 = 60  0,3  0,7  z1 

20,5  18 11,359

 0,74 und z 2 

540  11,359 und daraus die zi-Werte: 599

14,5  18 11,359

 1,04

P(15  X  20)  0,7704  0,1492  0,6212  62,12%

Auch hier liegt eine gute Annäherung vor (Abweichung 62,42% – 62,12% = 0,3%).82

80

Im Rahmen von relativ einfachen Tabellenkalkulationsprogrammen (z.B. Excel) sind eine Reihe von Wahrscheinlichkeitsverteilungen als Funktion hinterlegt. Es bietet sich aber auch bspw. der Einsatz von SPSS an. Vgl. Eckstein P., 2010, S. 41ff.

81

Man arbeitet hier mit der so genannten „Stetigkeitskorrektur“, d.h. eine diskrete Zufallsvariable passt man an eine stetige Zufallsvariable an, indem die zu berechnende Variable (hier 14) nach der sicheren Seite hin um 0,5 angepasst wird.

82

Siehe Fallstudien 57 bis 59.

3.6 Schätzen und Testen

3.6

Schätzen und Testen

3.6.1

Vorüberlegungen

135

Häufig stellt sich der Statistiker die Aufgabe, Informationen über bestimmte charakteristische Eigenschaften statistischer Grundgesamtheiten zu beschaffen. Beispielsweise kann der Anteil θ der berufstätigen Frauen in einer Gemeinde oder das monatliche Durchschnittseinkommen μ der deutschen Studenten von Interesse sein.83 Zwei Wege zur Bestimmung derartiger Maßzahlen (Parameter) von Grundgesamtheiten bieten sich an: Zum ersten können im Rahmen einer Vollerhebung sämtliche Elemente der Grundgesamtheit in die Erhebung einbezogen werden, zum zweiten kann im Wege einer Teilerhebung auch nur ein Teil der Elemente der Grundgesamtheit erhoben werden. Warum nun entscheidet man sich für eine Teilerhebung? Hierfür gibt es eine Reihe von Gründen, wobei die wichtigsten die Kostenersparnis, die Zeitgewinnung und die stellenweise praktische Undurchführbarkeit der Vollerhebung sind:  Die Kostenersparnis bei einer Teilerhebung im Gegensatz zur Vollerhebung tritt ein, weil eine kleinere Anzahl von Elementen erfasst wird.  Die Teilerhebung ist deutlich schneller durchführbar als eine Vollerhebung, sorgt also für einen Zeitgewinn. Dies ist im Rahmen von vielen durchzuführenden betriebswirtschaftlichen oder wirtschaftspolitischen Entscheidungen wichtig.  Häufig sind Vollerhebungen praktisch unmöglich, bspw. wenn dadurch die Grundlage vernichtet wird (z.B. Glühlampentest). Was ist nun die Aufgabe des Schätzens und Testens? Beim Schätzen geht man von der Stichprobe (Teilerhebung) aus und versucht aufgrund dieser Stichprobe, Aussagen über die unbekannten Parameter der Grundgesamtheit zu machen. Dabei unterscheidet man grundsätzlich zwei Arten von Schätzverfahren, nämlich zum einen die so genannte Punktschätzung und zum anderen die Intervallschätzung. Bei der Punktschätzung wird für den zu schätzenden Parameter der Grundgesamtheit, bspw. das arithmetische Mittel, aufgrund des Ergebnisses der Stichprobe lediglich ein einziger Wert angegeben. Diese Vorgehensweise birgt bezüglich der Aussagekraft große Risiken, da der Stichprobenwert natürlich zufallsabhängig ist und nur in den seltensten Fällen mit dem gesuchten Wert der Grundgesamtheit übereinstimmen wird. Deshalb kommt eine Punktschätzung nur in den wenigsten Fällen zur Anwendung.84 Wesentlich gebräuchlicher ist die Intervallschätzung. Hierbei wird, ausgehend von dem Ergebnis der Stichprobe, ein Vertrauensbereich, das so genannte Konfidenzintervall angege83

Zur Schätz- und Testtheorie vgl. auch Hippmann H.D., 2007, S. 266ff. oder Quatember A., 2008, S. 117ff.

84

An späterer Stelle wird auf die wünschenswerten Eigenschaften von Schätzfunktionen eingegangen.

136

3 Schließende Statistik

ben. Dabei handelt es sich um einen Bereich, in dem der wahre Wert der Grundgesamtheit mit einer vorgegebenen Wahrscheinlichkeit liegen wird. Im weiteren Verlauf des Buches liegt der Fokus auf der Intervallschätzung. Parameter, für die Intervallschätzungen vorgenommen werden, können sein:  das arithmetische Mittel μ der Grundgesamtheit,  der Anteilswert θ der Grundgesamtheit (Anteil mit einer bestimmten Eigenschaft),  Differenzen von arithmetischen Mitteln 1   2 ,  Differenzen von Anteilswerten der Grundgesamtheit 1   2 oder  Quotienten zweier Varianzen 12 /  2 2 . Durch das Schätzen gewinnt der Statistiker dann einen Vertrauensbereich (das Konfidenzintervall), so dass er mit einer bestimmten Wahrscheinlichkeit (i.d.R. auf dem 99%, 95% oder 90%-Niveau) sagen kann, dass sich der gesuchte Parameter der Grundgesamtheit in diesen Grenzen befindet. Beispiel: In einem Ort mit N = 3.800 Familien soll der Anteil θ der Familien geschätzt werden, die mehr als einen PKW haben. In einer Stichprobe vom Umfang n = 38 Familien mögen sich x = 12 Familien mit mehr als einem PKW befinden. Es soll ein 95%Konfidenzintervall für den Anteil θ der Familien in der Grundgesamtheit mit mehr als einem PKW bestimmt werden. Mit dem Testen, das genauso wie das Schätzen auf Stichproben aufsetzt, sollen Aussagen, die über die Grundgesamtheit aufgestellt wurden, auf ihre Richtigkeit hin überprüft werden. Dabei sind Parameter- und Verteilungstests zu unterscheiden:  Bei den Parametertests versucht man, Hypothesen zu Parametern, wie bspw. dem arithmetischen Mittel der Grundgesamtheit μ oder des Anteilswertes θ auf Signifikanz hin zu untersuchen.  Bei den Verteilungstests versucht der Statistiker herauszufinden, ob die in der Stichprobe beobachtete Verteilung mit der für die unbekannte Verteilung der Grundgesamtheit gemachten Annahmen in Widerspruch steht oder nicht. Beispiel für einen Parametertest: Ein Händler behauptet, dass der Anteil der Ausschussware seiner Lieferungen 10% nicht übersteigt. Mit Hilfe des Parametertest zum Anteilswert wird nun versucht, diese aufgestellte Hypothese zu verifizieren (zu bestätigen) oder zu falsifizieren (zu widerlegen). Beispiel für einen Verteilungstest: Es wird behauptet, dass aufgrund einer Stichprobe, in der Studienabgänger unterschiedlicher Studiengänge in „geeignet“ und „nicht geeignet“ für eine Einstellung (siehe Kontingenztafel) eingeteilt werden, ein Zusammenhang besteht zwischen der Eignung und dem Studiengang. Für das Schätzen und Testen steht eine Reihe von Prüfverteilungen zur Verfügung wie bspw. die im Rahmen der stetigen Verteilungen kurz angesprochene Studentverteilung, ChiQuadrat-Verteilung und Fisher-Verteilung. Ferner ist die bereits ausführlich besprochene Standardnormalverteilung mit dem standardisierten z-Wert von elementarer Bedeutung.

3.6 Schätzen und Testen

137

 Die t-Verteilung (Student-Verteilung) kommt im weiteren Verlauf zur Anwendung beim Hypothesentest für das arithmetische Mittel der Grundgesamtheit und zwar für den Fall, dass die Varianz der Grundgesamtheit unbekannt ist. Ferner findet die t-Verteilung Anwendung bei der Frage, ob der Korrelationskoeffizient einer Stichprobe bzw. die errechneten Regressionskoeffizienten signifikant von Null verschieden sind oder nicht.  Die χ2-Verteilung (Chi-Quadratverteilung) findet Anwendung bei einer Reihe von Anpassungs- und Unabhängigkeitstests.  Die F-Verteilung (Fisher-Verteilung) wird ebenso wie die t-Verteilung zum Testen von Regressions- oder Korrelationskoeffizienten benutzt. Sie hat gegenüber der t-Verteilung den Vorteil, dass sie zum Aufbau eines (multiplen) Regressionsmodells besser geeignet ist, da hier durch partielle F-Tests schrittweise signifikante Regressoren hinzugenommen bzw. nicht signifikante Regressoren eliminiert werden können. Ferner kommt die FVerteilung zum Einsatz, wenn die Gleichheit zweier Varianzen geprüft werden soll.  Die Standardnormalverteilung kommt bei unterschiedlichen Prüfverfahren zur Anwendung. Zunächst beim Hypothesentest für das arithmetische Mittel der Grundgesamtheit und zwar für den Fall, dass die Varianz der Grundgesamtheit bekannt ist. Sie wird zweitens beim Hypothesentest von Anteilswerten, drittens beim Testen von Differenzen zwischen arithmetischen Mitteln verschiedener Stichproben sowie viertens zur Überprüfung der Gleichheit/Ungleichheit von Anteilswerten zweier Stichproben verwendet.

3.6.2

Ein einführendes Beispiel

Mit folgendem kleinen Beispiel soll der Grundgedanke des Schätzens und Testens konkretisiert und gleichzeitig die Brücke zu den bereits bekannten statistischen Verteilungen geschlagen werden. Beispiel: In der Vergangenheit betrug der Anteil der überfälligen Forderungen eines Unternehmens 20%. Anhand der neuen Zahlen soll nun mit Hilfe einer Stichprobe vom Umfang n=65 überprüft werden, ob eine signifikante Änderung (im Sinne einer Verringerung oder einer Erhöhung) der Forderungen feststellbar ist. Welche Überlegungen bzw. Fragen wirft dieses Beispiel auf?  Frage 1: Gibt es eine geeignete Verteilungsfunktion, die obiges Problem rechenbar macht?  Frage 2: Kann man ein Intervall schätzen, das eine tolerierbare, d.h. nicht signifikante Abweichung vom erwarteten Anteilswert darstellt?  Frage 3: Wann bzw. wie würde man demzufolge ein Testszenario aufbauen, das die tolerierbaren von den nicht mehr tolerierbaren Abweichungen trennt, d.h. diskriminiert? Zu Frage 1: Aufgrund der Ausgangssituation kann die Binomialverteilung als diskrete Verteilungsfunktion zugrunde gelegt werden. Es gilt folglich: n 65 P(X  k )    k  (1  ) n k oder konkret P(X  k )   0,2 k  (1  0,2) n k k k mit k = 0,1,…,65

138

3 Schließende Statistik

Es ergeben sich folgende Wahrscheinlichkeiten und die daraus abgeleitete Verteilungsfunktionen für k = 2 bis 27 (Werte darüber und darunter gehen gegen Null). k 2 3 4 5 6 7 8 9 10

P(X=k) 0,01 0,03 0,13 0,41 1,01 2,13 3,87 6,12 8,57

P(X≤k) 0,01 0,04 0,17 0,58 1,59 3,72 7,59 13,72 22,29

k 11 12 13 14 15 16 17 18 19

Angaben in % P(X=k) P(X≤k) 10,72 33,01 12,06 45,06 12,29 57,35 11,41 68,76 9,70 78,46 7,58 86,04 5,46 91,50 3,64 95,14 2,25 97,39

k 20 21 22 23 24 25 26 27

P(X=k) 1,29 0,69 0,35 0,16 0,07 0,03 0,01 0,01

P(X≤k) 98,68 99,37 99,72 99,88 99,95 99,98 99,99 100,00

Abbildung 102: Einführung in die Schätz- und Testtheorie

Interpretation: Bspw. beträgt die Wahrscheinlichkeit, dass sich in der Stichprobe (n=65) 10 überfällige Forderungen befinden 8,57%, die Wahrscheinlichkeit für höchsten 10 überfällige Forderungen 22,29%. Die Wahrscheinlichkeitsfunktion für obiges Beispiel verdeutlicht auch nachstehende Abbildung:

14% 12% 10% 8% 6% 4% 2% 0% 1

3

5

7

9

11

13

15

17

Abbildung 103: Wahrscheinlichkeitsfunkion von binomialverteilten Merkmalen

19

21

23

25

27

3.6 Schätzen und Testen

139

Sie zeigt einen Erwartungswert von 13 (n.θ = 65.0,2) und lässt aufgrund der Struktur vermuten, dass die Binomialverteilung offensichtlich gut durch die Standardnormalverteilung approximiert werden kann. In der Tat greift die Approximationsbedingung: n    (1  )  65  0,2  (1  0,2)  10,4  9 , so dass die Approximation sinnvoll ist.

Die Standardnormalverteilung gewinnt dann ihre Verteilungsparameter durch:   n    65  0,2  13 und  2  n    (1  )  65  0,2  (1  0,2)  10,4

Bestimmt man mit ihrer Hilfe jetzt bspw. die Wahrscheinlichkeit dafür, dass die Anzahl der überfälligen Forderungen in der Stichprobe maximal 10 beträgt, erhält man:85 z

x   10,5  13   0,77 →  10,4

P(X  10)  0,2206  22,06%

Im Vergleich zur Binomialverteilung zeigt sich also eine sehr geringe Abweichung. Zu Frage 2: Unter der 1. Frage hatten wir bereits verschiedene Wahrscheinlichkeiten sowie Erwartungswert und Varianz der Standardnormalverteilung bestimmt. Der Erwartungswert der Stichprobe lag bei μ = 13 überfälligen Forderungen. Die Hauptaufgabe im Rahmen des Schätzens besteht nun darin, einen Vertrauensbereich um diesen Erwartungswert zu definieren, der Abweichungen (gerade noch) toleriert. Üblicherweise bestimmt man dabei den zentralen 95% oder 99%igen Vertrauensbereich. Der zentrale 95%ige Vertrauensbereich bspw. besagt, dass, ausgehend vom Erwartungswert, Werte mit einer Abweichung von +/- 47,5% innerhalb dieser Intervallgrenzen liegen. Damit scheiden lediglich Werte aus, die im Rahmen der Standardnormalverteilungskurve zu den unteren 2,5% bzw. oberen 2,5% (also zwischen 97,5% und 100%) gehören. Um diese beiden kritischen Intervallgrenzen zu bestimmen, wird die z-Funktion nach x aufgelöst und es ergibt sich: x U    z   bzw. x O    z  

Dabei bedeuten: xU = kritische Untergrenze bzw. xO = kritische Obergrenze Für das zentrale 95%-Konfidenzintervall beträgt der Wert z = 1,96, so dass sich für obiges Beispiel die Intervallgrenzen (in absoluten Werten) wie folgt darstellen: x U  13  1,96  3,2249  6,68

x O  13  1,96  3,2249  19,32

Das bedeutet, dass Stichproben vom Umfang n=65 mit Erwartungswert μ=13 im Intervall von 7 bis 19 überfälligen Forderungen keine signifikanten Abweichungen darstellen.

85

Der Wert 10,5 ergibt sich aus der notwendigen Stetigkeitskorrektur, da eine diskrete durch eine stetige Verteilungsfunktion approximiert wurde.

140

3 Schließende Statistik

14% 12% 10% 8% 6% 4% 2% 0% 1

3

5

7

9

11

13

15

17

19

21

23

25

27

95%-Konfidenzintervall xU=6,68

(Grenzen: 7 – 19)

xO=19,32

Abbildung 104: 95%- Konfidenzintervall der überfälligen Forderungen

Zu Frage 3: Aus obiger Abbildung können nun unmittelbar Testszenarien abgeleitet werden. Würde bspw. der neue Leiter der Controllingabteilung behaupten, dass sich aufgrund von lediglich 8 überfälligen Forderungen in der Stichprobe der Anteil bzw. die Anzahl derer signifikant verringert hätte, könnten wir diese Hypothese nicht bestätigen, da die 8 überfälligen Forderungen im 95%-Konfidenzintervall mit den absoluten Grenzen 7 und 19 liegen. Erst im Bereich von 0 – 6 bzw. 20 – 65 überfälligen Forderungen gehen wir von einer signifikanten Änderung aus. Dieses einführende Beispiel sollte die Grundüberlegungen der Schätz- und Testtheorie erklären. Es folgt nun die Konkretisierung.

3.6.3

Statistisches Schätzen

3.6.3.1

Überblick über wichtige Konfidenzintervalle

Im weiteren Verlauf werden nun bedeutende Konfidenzintervalle erläutert, die alle ähnliche Überlegungen anstellen, die bereits im einführenden Beispiel angesprochen wurden. Um die Thematik etwas zu erleichtern, erfolgt an dieser Stelle zunächst ein grober Überblick über die zu diskutierenden Intervalle:

3.6 Schätzen und Testen

141

Parameter

Konfidenzintervall

μ (σ2 bekannt)

x  z  σx  μ  x  z  σx

μ (σ unbekannt)

x  t  σx  μ  x  t  σx

θ

p  z  σp    p  z  σp

2

Anzuwendende Verteilung Normalverteilung Bedingung: Grundgesamtheit normalverteilt; Faustregel: n>30 Studentverteilung, sofern n≤30 mit ν = n-1 Normalverteilung, sofern n>30 Normalverteilung Faustregel: n  p  (1  p)  9 Studentverteilung, sofern n1≤30 und n2≤30 mit

μ1-μ2

θ1-θ2

( x 1  x 2 )  t  σ D  1   2  ( x 1  x 2 )  t  σ D

(p1  p 2 )  z  σ D  1   2  (p1  p 2 )  z  σ D



 s1 2 s 2 2     n 2   n 1 2

2

2

 s1 2  s22       n 1   n 2   n1  1 n2 1

Normalverteilung, sofern n1≥ 30 und n2 ≥ 30 Normalverteilung Faustregel: n1  p1  (1  p1 )  9 n 2  p 2  (1  p 2 )  9

σ21/σ22 β1 β2

s 21 s

2

2



1  21 s 21    F 21 F1 2  2 2 s 2 2

b1  t  s b1  β1  b1  t  s b1 b2  t  sb 2  β2  b2  t  sb2

F-Verteilung, mit ν1 = n1-1 und ν2 = n2-1 Studentverteilung, mit ν = n-2

Bedeutung: μi = Erwartungswerte der Grundgesamtheiten; x i = arithmetische Mittel der Stichproben; σ = Standardabweichung der Grundgesamtheit;

x

= Schätzwert für die Standardabweichung des Stichprobenmittelwertes; n =

Stichprobenumfang; θ = Anteilswert der Grundgesamtheit; pi = Anteilswerte der Stichprobe; σp= Schätzwert für die Standardabweichung des Stichprobenanteilswertes; σDμ= Schätzwert für die Standardabweichung der Stichprobendifferenzen; σDθ= Schätzwert für die Standardabweichung der Stichprobenanteilswerte; s2i = Varianz der iten Stichprobe; σ2i = Varianz der i-ten Grundgesamtheit; β1 = Achsenabschnitt des Regressionsansatzes der Grundgesamtheit, b1 = Achsenabschnitt des Regressionsansatzes der Stichprobe; sb1 = Standardfehler des Stichprobenregressionskoeffizienten b1; β2 = Steigung des Regressionsansatzes der Grundgesamtheit, b2 = Steigung des Regressionsansatzes der Stichprobe; sb2 = Standardfehler des Stichprobenregressionskoeffizienten b2 Abbildung 105: Wichtige Konfidenzintervalle

142

3 Schließende Statistik

Diskutiert werden also im weiteren Verlauf Konfidenzintervalle für das arithmetische Mittel µ bei bekannter und unbekannter Varianz der Grundgesamtheit, für den Anteilswert θ, die Differenz zweier arithmetischer Mittel µ1-µ2, zweier Anteilswerte θ1-θ2 und den Quotient zweier Varianzen σ21/σ22. Ferner die beiden Parameter des linearen Regressionsansatzes β1 und β2. Es schließt sich die Frage nach dem notwendigen Stichprobenumfang n im Rahmen von Schätzungen an. 3.6.3.2

Konfidenzintervall für das arithmetische Mittel bei bekannter Varianz

Ist die Varianz der Grundgesamtheit bekannt, so ermittelt man das Konfidenzintervall für μ durch x  z  σx  μ  x  z  σx

wobei: x = arithmetisches Mittel der Stichprobe

z = Wert aus der Standardnormalverteilung bei einem vorgegebenen Konfidenzniveau (in %)  x = Schätzwert für die Standardabweichung des Stichprobenmittelwertes

μ = arithmetisches Mittel der Grundgesamtheit dabei ist σ x 

σ

86

n

mit  = Standardabweichung der Grundgesamtheit und n = Stichprobenumfang. Ermittlung des z-Wertes: Die Ermittlung des z-Wertes erfolgt auf Basis des durch die jeweilige Aufgabenstellung vorgegebenen Konfidenzniveaus. Es gilt immer: 1-α = Konfidenzniveau, wobei man i.d.R. die zentrierte Wahrscheinlichkeit berechnet. Geht man z. B. von einer geforderten 99%-Wahrscheinlichkeit aus, so ergibt sich der Wert α wie folgt: 1 – α = 0,99 → α = 0,01. Dabei gilt für die obere Begrenzung des Konfidenzintervalls: z

86

1

α 2

= z0,995 = 2,58

Grundsätzlich unterscheiden sich die Standardabweichungen der Konfidenzintervalle in ihrem Aufbau immer etwas von der Standardabweichung, die wir bereits im Rahmen der deskriptiven Statistik und im Rahmen der Standardnormalverteilung kennen gelernt haben. Hier erfolgt immer eine Beziehung zum Stichprobenumfang, so dass man grundsätzlich von einem Schätzwert für die Standardabweichung in Abhängigkeit vom Stichprobenumfang ausgeht.

3.6 Schätzen und Testen

143

und für die untere Begrenzung des Konfidenzintervalls: z α = z0,005 = -2,58. 2

Beispiel: Eine aus N = 3.800 Studenten entnommene Stichprobe zur Schätzung des Durchschnittsalters vom Umfang n = 38 ergab ein Durchschnittsalter von x = 23,8 Jahren. Die Standardabweichung der Grundgesamtheit betrug σ = 2,3 Jahre. Man bestimme ein 99%Konfidenzintervall für das Durchschnittsalter μ in der Grundgesamtheit. Der Standardfehler des arithmetischen Mittels der Stichprobe beträgt σ x 

2,3 38

 0,373

Aus der Tabelle der Standardnormalverteilung findet man für den Sicherheitsgrad 1-α = 0,99 den Wert z = 2,58: Damit ergibt sich für das gesuchte Konfidenzintervall: 23,8  2,58  0,373  μ  23,8  2,58  0,373 22,84  μ  24,76

d.h. mit einer (vorgegebenen) Wahrscheinlichkeit von 99% befindet sich das arithmetische Mittel der Grundgesamtheit im Intervall 22,84 bis 24,76. Anmerkung: Grundsätzlich ist das Konfidenzintervall umso größer/kleiner, je größer/kleiner das vorgegebene Konfidenzniveau gewählt worden ist. Beträgt in obigem Beispiel das vorgegebene Konfidenzniveau bspw. nur 95%, leitet sich daraus der z-Wert 1,96 ab mit der Konsequenz, dass sich das Intervall auf 23,07 bis 24,53 verringert. Je größer also der vorgegebene Vertrauensbereich gewählt wird, desto größer und damit weniger aussagekräftig wird das Intervall und umgekehrt. Ebenso ist der Stichprobenumfang für das Konfidenzintervall bedeutsam. Je größer/kleiner der Stichprobenumfang, umso kleiner/größer ist das errechnete Intervall.87 3.6.3.3

Konfidenzintervall für das arithmetische Mittel bei unbekannter Varianz

Ist die Varianz der Grundgesamtheit unbekannt, so ist die Ermittlung des Konfidenzintervalles abhängig vom Stichprobenumfang. Für n>30 wird nach dem obigen Schema, also unter Verwendung der Standardnormalverteilung verfahren. Für n ≤ 30 ermittelt man das Konfidenzintervall μ unter Verwendung der Studentverteilung durch x  t  σx  μ  x  t  σx

wobei: x = arithmetisches Mittel der Stichprobe

87

Siehe Fallstudie 60.

144

3 Schließende Statistik

t = Wert aus der Studentverteilung bei einem gegebenen Konfidenzniveau (in %) und ν = n-1 Freiheitsgraden  x = Schätzwert für die Standardabweichung des Stichprobenmittelwertes

μ = arithmetisches Mittel der Grundgesamtheit dabei ist σ x 

s n

mit s = Standardabweichung der Stichprobe und n = Stichprobenumfang. Beispiel: Die Abfüllmaschine eines Feinkosthändlers befüllt Gläser mit Spezialgewürzmischungen. Das Füllgewicht gehorcht dabei einer Normalverteilung. Eine Stichprobe aus der laufenden Produktion vom Umfang n = 11 liefere ein durchschnittliches Füllgewicht von x = 81 g bei einer Standardabweichung von s = 3 g. Gesucht ist ein 95%-Konfidenzintervall für das durchschnittliche Füllgewicht in der Grundgesamtheit. Für den Sicherheitsgrad 1  α  0,95 und ν  n  1  10 Freiheitsgrade liefert die Tabelle der Studentverteilung den Wert t = 2,228. da  x 

3 11

 0,9

wird aus

x  t  σx  μ  x  t  σx 81  2,228  0,9  μ  81  2,228  0,9 78,99  μ  83,01

d.h. mit einer (vorgegebenen) Wahrscheinlichkeit von 95% befindet sich das arithmetische Mittel der Grundgesamtheit im Intervall von 78,99 bis 83,01.88 3.6.3.4

Konfidenzintervall für den Anteilswert

Im einleitenden Beispiel wurden anhand einer Stichprobe (n=65) und dem Anteil der überfälligen Forderungen der Grundgesamtheit (θ=0,2) die absoluten Intervallgrenzen mit xU=6,68 bzw. xO=19,32 ermittelt. Genauso ist es denkbar, nicht die absoluten, sondern die relativen Grenzen des Intervalles zu berechnen. Dies geschieht über das Konfidenzintervall: p  z  σp    p  z  σp

88

Siehe Fallstudie 61.

3.6 Schätzen und Testen

145

wobei: p = Anteil der Stichprobe z = Wert aus der Standardnormalverteilung bei einem gegebenen Konfidenzniveau (in %)  p = Schätzwert für die Standardabweichung des Stichprobenanteilswertes

θ = Anteilswert der Grundgesamtheit dabei ist  p 

p  (1  p) . n

Beispiel: In der Vergangenheit betrug der Anteil der überfälligen Forderungen eines Unternehmens 20%. Dies ergab auch eine Stichprobe vom Umfang n=65, in der sich 13 überfällige Forderungen befanden. Man bestimme das 95%-Konfidenzintervall für den Anteil θ der überfälligen Forderungen in der Grundgesamtheit. Der Stichprobenanteilswert beträgt: p

x 13   0,2 n 65

Für den Schätzwert der Standardabweichung des Stichprobenanteilswertes ergibt sich: σp 

0,2  0,8  0,0496 65

Wir erhalten 0,2  1,96  0,0496    0,2  1,96  0,0496 0,103    0,297

d.h. mit einer (vorgegebenen) Wahrscheinlichkeit von 95% befindet sich der Anteilswert der Grundgesamtheit im Intervall von 10,3% bis 29,7%.89 Modifikation des Beispiels: Gehen wir einmal davon aus, dass der Anteil der überfälligen Forderungen der Grundgesamtheit (der Vergangenheit) mit θ=0,2 zwar bekannt, durch den Stichprobenanteilswert aber deutlich unterschritten wurde, denn von der gezogenen Stichprobe n=65 seien nun lediglich 8 Forderungen überfällig. Welche Auswirkungen ergeben sich nun auf das Konfidenzintervall? Der Stichprobenanteilswert beträgt nun: p

89

x 8   0,123 n 65

Siehe Fallstudie 62.

146

3 Schließende Statistik

Für den Schätzwert der Standardabweichung des Stichprobenanteilswertes bleibt der Wert bei: σp 

0,2  0,8  0,0496 65

Das Konfidenzintervall verschiebt sich nun aufgrund der Werte nach links. Wir erhalten 0,123  1,96  0,0496    0,123  1,96  0,0496 0,026    0,220 .

3.6.3.5

Konfidenzintervall für die Differenz zweier arithmetischer Mittel

Konfidenzintervalle sind nicht nur für einzelne Parameter, sondern auch für deren Differenzen denkbar. Im vorliegenden Fall die Differenzen zweier arithmetischer Mittel der Grundgesamtheit µ1-µ2 dargestellt durch ( x1  x 2 )  t   D  1   2  ( x1  x 2 )  t   D

wobei: ( x1  x 2 ) = Differenz der arithmetischen Mittel von Stichproben

t = Wert aus der Studentverteilung bei einem gegebenen Konfidenzniveau (in %)

 D = Schätzwert für die Standardabweichung der Differenz μi = Mittelwert (Erwartungswert) der Grundgesamtheit i dabei ist  D 

s1 2 s 2 2  n1 n 2

mit s i 2  Stichproben var ianzen und n i  Umfang der Stichproben Beispiel: Bei einem Lebensdauertest von Glühbirnen aus unterschiedlichen Chargen einer Tagesproduktion ergab eine erste Stichprobe vom Umfang n1=12 eine mittlere Lebensdauer von 31 Tagen bei einer Standardabweichung von s1=4 Tagen, während eine zweite Stichprobe vom Umfang n2=10 eine mittlere Lebensdauer von 36 Tagen bei einer Standardabweichung von s2=5 Tagen ergab. Wie lautet das 95%-Konfidenzintervall für die Differenz der arithmetischen Mittel µ1-µ2 der Grundgesamtheit? Die beiden Stichproben sind kleiner als ni=30, somit ist die Studentverteilung mit

3.6 Schätzen und Testen



 s1 2 s 2 2      n 1 n 2 

147

2

2

2

 s1 2  s22       n1    n 2  n1  1 n 2 1

Freiheitsgraden anzuwenden.

Es ergibt sich:



 4 2 52      12 10 

2

2

2

 42   52       12    10  12  1 10  1

 17,16  17

ν =17 Freiheitsgrade liefert aus der Tabelle zur Studentverteilung auf dem zentralen 95%Niveau einen Wert von t = 2,110. Als Schätzwert für die Standardabweichung der Differenz findet man:  D 

s1 2 s 2 2 42 52     1,958 n1 n 2 12 10

Als Konfidenzintervall ergibt sich: (31  36)  2,110  1,958  1   2  (31  36)  2,110  1,958

-9,13 ≤ μ1-μ2 ≤ -0,87 Bei der vorgegebenen Wahrscheinlichkeit von 95% befindet sich die Abweichung der beiden Mittelwerte der Grundgesamtheit μ1-μ2 im Intervall von -9,13 und -0,87 Tagen.90 3.6.3.6

Konfidenzintervall für die Differenz zweier Anteilswerte

Neben dem Konfidenzintervall für die Differenz zweier arithmetischer Mittel der Grundgesamtheit sind häufig die Abweichungen zweier Anteilswerte, also θ1-θ2, von Bedeutung. Dieses Konfidenzintervall wird gebildet durch (p1  p 2 )  z   D  1   2  (p1  p 2 )  z   D

wobei:

90

Siehe Fallstudie 63.

148

3 Schließende Statistik

(p1  p 2 ) = Differenz der Stichprobenanteilswerte

z = Wert aus der Standardnormalverteilung bei einem vorgegebenen Konfidenzniveau (in %)  D = Schätzwert für die Standardabweichung der Stichprobendifferenz

θi = Anteilswert der Grundgesamtheit i p1  (1  p1 ) p 2  (1  p 2 )  n1 n2

dabei ist  D 

Beispiel: Die Statistikklausur eines Semesters ergab für zwei Studiengänge folgende Werte. Im Studiengang A fielen von 50 Studierenden 10 durch, bei Studiengang B lag die Durchfallquote bei 12,5%. Hier nahmen 48 Studierende an der Klausur teil. Bestimmen Sie das 99%-Konfidenzintervall für die Differenz der beiden Anteilswerte. Aus der Aufgabenstellung leiten sich ab: p1 = 0,20 (10/50), p2 = 0,125 z = 2,58 0,20  (1  0,20) 0,125  (1  0,125)   0,074 50 48

 D 

Das Konfidenzintervall bestimmt sich somit aus: (0,2  0,125)  2,58  0,074  1   2  (0,2  0,125)  2,58  0,074 0,116  1   2  0,266

Mit einer Wahrscheinlichkeit von 99% liegt also die Differenz der beiden Anteilswerte der Grundgesamtheit, θ1-θ2, zwischen -11,6 und +26,6%.91 3.6.3.7

Konfidenzintervall für den Quotienten zweier Varianzen

Gelegentlich ist es erforderlich bzw. angebracht, nicht nur Lageparameter wie bspw. das arithmetische Mittel zu untersuchen, sondern Aussagen zur Streuung von Merkmalen zu treffen. In diesem Fall wird das Konfidenzintervall für den Quotienten zweier Varianzen (und damit auch der damit verbundenen Standardabweichungen) der Grundgesamtheit gesucht. s 21



1

s 2 2 F 21

91



 21 22



s 21 s22

Siehe Fallstudie 64.

 F1 2

3.6 Schätzen und Testen

149

Dabei bedeutet: 1 F 21

= der linksseitige kritische Wert der F-Verteilung,

F1 2

= der rechtsseitige kritische Wert der F-Verteilung

ν1 = n1-1; ν2 = n2-1 s2i = die Varianzen der Stichproben des i-ten Merkmals und σ2i = die Varianzen der Grundgesamtheit des i-ten Merkmals. Beispiel: In den beiden Niederlassungen eines Betriebes wurden das Durchschnittseinkommen pro Mitarbeiter und Jahr sowie deren Standardabweichungen untersucht. Während das Durchschnittseinkommen mit 30,1 T€ in beiden Niederlassungen identisch ist, weichen die Standardabweichungen voneinander ab. Bei Niederlassung 1 wurde bei 21 befragten Personen eine Abweichung von 4,3 T€, bei Niederlassung 2 unter 11 befragten Personen eine Abweichung von 7,9 T€ festgestellt. Stellen Sie das 95%-Konfidenzintervall auf! Die Werte sind wie folgt: s21 = 4,32 = 18,49

s22 = 7,92 = 62,41

ν1 = n1-1 = 21-1 = 20

ν2 = n2-1=11-1=10

= F0,975;20;10 = 2,774 der rechtsseitige kritische Wert der F-Verteilung

F1 2 1

= F0,025;10;20 =

F 21

1 2,348

= 0,4259 der linksseitige kritische Wert der F-Verteilung92

Das Konfidenzintervall wird folglich bestimmt aus: 4,3 2 7,9 2



1  21 4,3 2  2   2,774 2,348  2 7,9 2

0,126 

 21 22

 0,822

Mit einer Wahrscheinlichkeit von 95% kann also davon ausgegangen werden, dass der Quotient der beiden Varianzen der Grundgesamtheit, σ21/σ22, zwischen 0,126 und 0,822 liegt.93

92

Man beachte hierbei, dass die beiden Freiheitsgrade vertauscht wurden (siehe Tabelle zur F-Verteilung unter 8.6). Während sich beim rechtsseitigen kritischen Wert die resultierenden 2,774 durch die 20 Freiheitsgrade der Spalten- und die 10 Freiheitsgrade der Zeileninformation ergeben, ist es beim linksseitigen kritischen Wert genau umgekehrt. Hier ergeben sich die 2,348 durch die 10 Freiheitsgrade der Spalten- und die 20 Freiheitsgrade der Zeileninformation.

93

Siehe Fallstudie 65.

150

3 Schließende Statistik

3.6.3.8

Konfidenzintervall für die Regressionskoeffizienten

Möchte man die Konfidenzintervalle für die beiden Regressionskoeffizienten β1 und β2 der linearen Einfachregression bestimmen, so lassen sich diese ermitteln durch: b1  t  s b1  β1  b1  t  s b1 bzw. b2  t  sb2  β2  b2  t  sb2

wobei: b1 = Achsenabschnitt des Regressionsansatzes der Stichprobe t = Wert aus der Studentverteilung bei einem gegebenen Konfidenzniveau (in %) mit ν = n-2 Freiheitsgraden s b1 = Standardabweichung des Stichprobenregressionskoeffizienten b1

b2 = Steigung des Regressionsansatzes der Stichprobe s b2 = Standardabweichung des Stichprobenregressionskoeffizienten b2

dabei ist s 2 b1 

2

 n 1  xi 2 2 2  s 2 E mit s 2 E   e i und  e i   ( y i  y î ) 2 n2 n   (x i  x) i 1



Die y i in obiger rechter Formel sind die geschätzten Funktionswerte, welche sich anhand des Regressionsansatzes ergeben. Damit ist der gesamte Klammerausdruck nichts anderes als die Quadratsumme der durch den Regressionsansatz nicht erklärten Abweichungen (im Rahmen der deskriptiven Statistik als SQR dargestellt).

Ferner gilt: s 2 b 2 

s2E 2  (x i  x)

Beispiel: Um die beiden Konfidenzintervalle der Regressionskoeffizienten β1 und β2 (auf dem 95%-Niveau) zu bestimmen, betrachten wir die Daten aus dem Kapitel der linearen Einfachregression, bei dem die Entwicklung der Beschäftigtenzahlen (in Tsd.) sowie der branchenüblichen Stundensätze (in €) der zurückliegenden 10 Jahre für eine bestimmte Branche angegeben war. Es wurde die Abhängigkeit der Beschäftigung vom Stundenlohn untersucht mit folgenden Informationen und notwendigen Ergebnissen:

3.6 Schätzen und Testen

151

xi yi x i  x y i  y ( x i  x )  ( y i  y) (x i  x) 2 ( y i  y) 2 [in €] [in Tsd.] 6,0 42 -3,7 17,4 -64,38 13,69 302,76 8,0 30 -1,7 5,4 -9,18 2,89 29,16 9,0 26 -0,7 1,4 -0,98 0,49 1,96 7,5 32 -2,2 7,4 -16,28 4,84 54,76 9,0 20 -0,7 -4,6 3,22 0,49 21,16 8,5 22 -1,2 -2,6 3,12 1,44 6,76 8,5 20 -1,2 -4,6 5,52 1,44 21,16 12,5 18 2,8 -6,6 -18,48 7,84 43,56 11,0 20 1,3 -4,6 -5,98 1,69 21,16 17,0 16 7,3 -8,6 -62,78 53,29 73,96 x = 9,7 y = 24,6 Qxy = -166,20 Qxx = 88,10 Qyy = 576,40 Abbildung 106: Konfidenzintervall für Regressionskoeffizienten I

Es kam zu den Resultaten: b2 

Q xy Q xx



 166.20  1,89 und 88,10

b1  y b 2  x  24,6  1,89  9,7  42,93

Die Regressionsgerade lautete somit yˆ  42,93  1,89  x Im Anschluss wurden die Komponenten des Bestimmtheitsmaßes berechnet, die wir für die Konfidenzintervalle benötigen. Es gilt n

SQT   ( y i  y) 2 i 1

n



SQE   ( y i  y) 2

Dabei ergaben sich die Werte:

i 1

n



SQR   ( y i  y i ) 2 i 1

152

3 Schließende Statistik

yi [in Tsd.] 42 30 26 32 20 22 20 18 20 16

xi [in €]

yi



( y i  y) 2

( y i  y) 2

( yi  yi ) 2

xi2

6,0 8,0 9,0 7,5 9,0 8,5 8,5 12,5 11,0 17,0

31,58 27,81 25,92 28,75 25,92 26,86 26,86 19,32 22,15 10,83

302,76 29,16 1,96 54,76 21,16 6,76 21,16 43,56 21,16 73,96

48,72 10,29 1,74 17,22 1,74 5,12 5,12 27,90 6,01 189,65

108,58 4,81 0,01 10,56 35,05 23,66 47,11 1,74 4,61 26,74

36,00 64,00 81,00 56,25 81,00 72,25 72,25 156,25 121,00 289,00





∑ = 576,40 ∑ = 313,54 ∑ = 262,86 ∑ = 1.029

y = 24,6

Abbildung 107: Konfidenzintervall für Regressionskoeffizienten II

Wir können also bestimmen: b1  42,93 ;

b 2  1,89 ;

t = 2,306 (auf dem 95%-Niveau mit 8 Freiheitsgraden)

s2E 

1 1 2  262,86 = 32,86 e i  n 2 10  2

s 2 b1 

1.029  xi  s2E   32,86  38,38 2 10  88,10 n  (x i  x )

s 2 b2 

2

s2E

 (x i  x )

2



32,86  0,373 88,10

Daraus leiten sich die Standardabweichungen ab: s b1  38,38  6,195 und s b2  0,373  0,61

Es stellen sich die beiden Konfidenzintervalle für β1 und β2 ein: 42,93  2,306  6,195  β1  42,93  2,306  6,195 28,64  β1  57,22 bzw. 1,89  2,306  0,61  β 2   1,89  2,306  0,61 3,3  β 2   0,48

3.6 Schätzen und Testen

153

Mit der vorgegebenen Wahrscheinlichkeit von 95% bewegen sich die beiden Regressionsparameter der Grundgesamtheit β1 und β2 im Intervall von 28,64 bis 57,22 bzw. -3,3 bis -0,48.94 3.6.3.9

Bestimmung des notwendigen Stichprobenumfangs

Gelegentlich stellt sich die Frage, wie groß der Stichprobenumfang gewählt werden muss, um aussagefähige Schätzungen zu erhalten. Dies soll anhand der beiden ersten Konfidenzintervallschätzungen demonstriert werden; dem Konfidenzintervall zur Bestimmung des arithmetischen Mittels, sowie dem Anteilswert. 3.6.3.9.1

Stichprobenumfang für die Bestimmung des arithmetischen Mittels

Um den nötigen Stichprobenumfang zur Bestimmung des arithmetischen Mittels berechnen zu können, besinnen wir uns noch einmal auf den Aufbau des Konfidenzintervalls: x  z  σx  μ  x  z  σx

mit σ x 

σ n

.

Das Konfidenzintervall kann ebenso in der Form: μ  x  z  σx

geschrieben werden. Definieren wir nun die Abweichung des arithmetischen Mittels der Stichprobe x und der Grundgesamtheit μ als den absoluten Fehler Δμ, so gilt:  μ  z  σ x bzw.

μ  z 

 n

Aufgelöst nach dem Stichprobenumfang n ergibt sich:95 n

z2  2 . () 2

94

Siehe Fallstudie 66.

95

In der Literatur wird häufig auch der Fall „Ziehen ohne Zurücklegen“ diskutiert. Dann ergäbe sich durch den „Korrekturfaktor“ der notwendige Stichprobenumfang n 

2 2 z  N  2

2 2 (  ) ( N 1)  z 

N i.d.R hinreichend groß ist, soll auf diese Unterscheidung verzichtet werden.

. Da aber die Grundgesamtheit

154

3 Schließende Statistik

Beispiel: Aus den 3.800 Studenten einer Hochschule soll eine Stichprobe entnommen werden, um das Durchschnittsalter der Grundgesamtheit schätzen zu können. Die Standardabweichung der Grundgesamtheit ist mit σ = 2,3 Jahren bereits bekannt. Man bestimme den notwendigen Stichprobenumfang unter der Maßgabe eines 99%-Konfidenzintervalls und eines zugelassenen absoluten Fehlers von Δμ=1 Jahr. Wir erhalten: n

2,58 2  2,32 12

 35,21

Damit beträgt der notwendige Stichprobenumfang, ab dem eine sinnvolle Interpretation erst möglich ist, n = 36. 3.6.3.9.2

Stichprobenumfang für die Bestimmung des Anteilswertes

Soll der Anteilswert θ mit vorgegebener Genauigkeit bestimmt werden, so geht man bei der Ableitung des notwendigen Stichprobenumfangs analog zum arithmetischen Mittel vor, mit dem Unterschied, dass man die Gleichung aus der Formel des Konfidenzintervalls für den Anteilswert ableitet. Man erhält: n

z 2    (1  ) () 2

Dabei ist Δθ der absolute Fehler. Beispiel: In der Vergangenheit betrug der Anteil der überfälligen Forderungen eines Unternehmens 20%. Nun soll er erneut aufgrund einer Stichprobe geschätzt werden. Man bestimme dessen Umfang auf Basis eines 95%-Konfidenzintervalls und eines zugelassenen absoluten Fehlers von Δθ=0,1. n

1,96 2  0,2  0,8 0,12

 61,46

Der Stichprobenumfang muss folglich mindestens 62 Forderungen umfassen, damit eine gehaltvolle statistische Aussage gemacht werden kann.96 3.6.3.10

Einseitiges Konfidenzintervall am Beispiel des Value at Risk

Bislang wurden im Rahmen der Schätztheorie lediglich zweiseitige Konfidenzintervalle diskutiert, d.h., man schätzte i.d.R. den mittleren 95% oder 99%igen Vertrauensbereich. Es gibt aber auch Fälle, bei denen einseitige Vertrauensbereiche von großem Interesse sind. Dazu gehört beispielhaft der im Bereich des Risikomanagements diskutierte Value at Risk. 96

Siehe Fallstudie 67.

3.6 Schätzen und Testen

155

Der Value at Risk („wahrscheinlicher Höchstschaden“) wurde als statistisches Risikomaß erstmals in den 90er Jahren von der Investmentgesellschaft Morgan Stanley im Rahmen der Risikobewertung eingesetzt.97 Definiert ist er als Schadenshöhe, die in einem bestimmten Zeitraum mit einer vorgegebenen Wahrscheinlichkeit (Konfidenzniveau von z.B. 95%) nicht überschritten wird. Der Gedanke des Value at Risk baut damit auf der bereits besprochenen (Standard)Normalverteilung in Verbindung mit dem in folgender Abbildung dargestellten einseitigen Konfidenzintervall auf.

Value at Risk

Rendite μ 5%

Abbildung 108: Der Value at Risk

Rufen wir uns zur Erklärung des Value at Risk noch einmal die Systematik der Standardnormalverteilung ins Gedächtnis. Mit ihr hatten wir im Rahmen der so genannten zTransformation bei gegebenem Erwartungswert μ und der Standardabweichung σ für beliebige Werte (x) mit Hilfe der Standardnormalverteilungstabelle Eintrittswahrscheinlichkeiten bestimmen können.98 Natürlich ist es genauso denkbar, durch Umformung von z

x  

zu x = µ + z .  (für z > 0) und x = µ - z .  (für z < 0) für vorzugebende z-Werte die Intervallgrenzen von x auszurechnen. 97

Vgl. Uhlir H./Aussenegg W., 1996, S. 831ff und Weiß G./Aßmann M., 2008, S. 455ff. Der Value at Risk wird gelegentlich auch als statistisches Maß branchenspezifisch weiterentwickelt. Vgl. Winter P., 2004, S. 289ff.

98

Vgl. dazu das Kapitel und die Beispiele zur Standardnormalverteilung.

156

3 Schließende Statistik

Beispiel: Anhand eines vorgegebenen Konfidenzintervalls auf dem 95%-Niveau soll der Value at Risk bestimmt werden. Es liegen die drei Gewinnsituationen Gi (in Mio. €) mit jeweils gleicher Eintrittswahrscheinlichkeit P vor: G1 -10 20 30 40 70

G2 10 20 30 40 50

G3 20 25 30 35 40

P 0,1 0,2 0,4 0,2 0,1

Abbildung 109: Ermittlung des Value at Risk

Zunächst sind für alle drei Gewinnsituationen die Erwartungswerte zu bestimmen. Dieser beträgt jeweils i = 30, denn es gilt: 1 = -10 . 0,1 + 20 . 0,2 + 30 . 0,4 + 40 . 0,2 + 70 . 0,1 = 30 2 = 10 . 0,1 + 20 . 0,2 + 30 . 0,4 + 40 . 0,2 + 50 . 0,1 = 30 3 = 20 . 0,1 + 25 . 0,2 + 30 . 0,4 + 35 . 0,2 + 40 . 0,1 = 30 Allerdings unterscheiden sich die Varianzen 2i und die daraus abgeleiteten Standardabweichungen i voneinander. 21 = (-10-30)2 . 0,1 + (20-30)2 . 0,2 + (30-30)2 . 0,4 + (40-30)2 . 0,2 + (70-30)2 . 0,1 = 360 22 = (10-30)2 . 0,1 + (20-30)2 . 0,2 + (30-30)2 . 0,4 + (40-30)2 . 0,2 + (50-30)2 . 0,1 = 120 23 = (20-30)2 . 0,1 + (25-30)2 . 0,2 + (30-30)2 . 0,4 + (35-30)2 . 0,2 + (40-30)2 . 0,1 = 30 Daraus errechnen sich die Standardabweichungen: 1 = 18,97 2 = 10,95 3 = 5,48 Aus dem vorgegebenen Konfidenzniveau in Höhe von 95% folgt der z-Wert von –1,65 (hier einseitig!) und schließlich für die einzelnen Gewinnsituationen die kritischen Value at Risk Werte: x1 = 30 - 1,65 . 18,97 = -1,3 x2 = 30 - 1,65 . 10,95 = 11,93 x3 = 30 - 1,65 . 5,48 = 20,96

3.6 Schätzen und Testen

157

D.h., mit einer Wahrscheinlichkeit von 95% werden bei den Alternativen 1 bis 3 höchstens x1 = 1,3 Verluste, bzw. bei x2/x3 mindestens 11,93/20,96 Gewinne realisiert.99 Aus den Ergebnissen folgt unmittelbar, dass das Risiko entscheidend von der Höhe der Standardabweichung σ abhängig ist, d.h., je größer σ, desto höher das Risiko.100 3.6.3.11

Wünschenswerte Eigenschaften und Konstruktionen von Schätzfunktionen

3.6.3.11.1

Wünschenswerte Eigenschaften von Schätzfunktionen

Wie man anhand der oben dargestellten Schätzfunktionen bereits erkennen konnte, besteht das Hauptziel, unabhängig davon, ob man bspw. einzelne Parameter wie Mittelwerte, Anteils- oder Regressionskoeffizienten oder Differenzen von Parametern schätzen möchte darin, aufgrund von Stichproben generelle Aussagen zur unbekannten Grundgesamtheit zu machen. Damit dies zufrieden stellend gelingt, existieren eine Reihe von wünschenswerten Eigenschaften, denen eine Schätzfunktion genügen sollte: 1. Eigenschaft: Erwartungstreue Eine Schätzfunktion gilt dann als erwartungstreu, wenn ihr Erwartungswert mit dem wahren Wert der Grundgesamtheit übereinstimmt.

99

Man beachte, dass sich im vorliegenden Fall aufgrund des einseitigen Konfidenzintervalles die 95% nicht beidseitig verteilen (zu jeweils 2,5%), sondern dass die gesamte Dichtefunktion in einen unteren 5%igen und oberen 95%igen Bereich eingeteilt wird. Somit ergibt sich der zum 95%-Intervall korrespondierende z-Wert von 1,65.

100

Siehe Fallstudien 68 und 69.

158

3 Schließende Statistik

Abbildung 110: Erwartungstreue und effiziente Schätzfunktionen

In obiger Abbildung entsprechen die am steilsten und die im flachsten verlaufende Schätzfunktionen dem Postulat der Erwartungstreue, denn ihr Erwartungswert von Null stimmt mit dem wahren Wert, der annahmegemäß bei Null liegen soll, überein. Demgegenüber ist die Funktion mit Erwartungswert 1 verzerrt (nach rechts), entspricht also nicht der Forderung der Erwartungstreue. 2. Eigenschaft: Effizienz Vergleicht man erwartungstreue Schätzfunktionen miteinander, gilt diejenige als effizient, die die kleinste Varianz aufweist. In obiger Abbildung ist die steiler verlaufende (erwartungstreue) Schätzfunktion die effizienteste. Sie hat mit der Standardabweichung von 1 (gegenüber 4 der zweiten erwartungstreuen Schätzfunktion) die geringere Streuung um den wahren Wert. 3. Eigenschaft: Konsistenz Die Eigenschaft der Konsistenz bedeutet, dass die entsprechende Schätzfunktion mit steigendem Stichprobenumfang mit dem zu schätzenden Parameter der Grundgesamtheit zusammenfällt. Die Konsistenz einer Schätzfunktion lässt sich mit Hilfe des so genannten mittleren quadratischen Fehlers definieren bzw. berechnen. Dieser strebt mit zunehmendem Stichprobenumfang gegen 0.

3.6 Schätzen und Testen

159

4. Eigenschaft: Suffizienz Eine Schätzfunktion ist erschöpfend (suffizient), wenn sie alle Informationen über die zu schätzenden Parameter, welche in der Stichprobe enthalten sind, berücksichtigt Weitere statistische Kennwerte würden also keinerlei neue oder bessere Erkenntnisse bringen. 3.6.3.11.2

Verfahren zur Konstruktion von Schätzfunktionen

Neben der Frage, welche wünschenswerte Eigenschaften Schätzfunktionen besitzen müssen (sollten), ist die eigentliche Frage noch zu beantworten. Wie kommen Schätzfunktionen überhaupt zustande, d.h. wie werden diese generiert? Die erste Möglichkeit der Generierung wurde bereits implizit im Rahmen der Regressionsanalyse vorgestellt. Dort wurde die Regressionsgerade genau so festgelegt, dass die Summe der (quadrierten) Abweichungen zwischen eigentlichen Werten und den korrespondierenden Schätzwerten minimiert wurde. Deshalb heißt diese auf C. F. Gauss zurückgehende Methode die Methode der kleinsten Quadrate. Nachfolgend soll ein zweites, sehr etabliertes Verfahren vorgestellt werden, und zwar die auf R.A. Fisher zurückgehende Maximum-LikelihoodMethode. Danach wird derjenige Parameter als Schätzwert ausgesucht, der bezüglich der „wahren“ Grundgesamtheit am plausibelsten erscheint. Nachfolgendes kleines Beispiel soll den Sachverhalt verdeutlichen. Im Kapitel zur Binomialverteilung ermittelten wir aufgrund der Wahrscheinlichkeitsfunktion

P(X  k ) 

n k

  k  (1  ) n k

Einzelwahrscheinlichkeiten. Im einführenden Beispiel wurde dabei der Anteil der fehlerhaften Produkte der Grundgesamtheit auf 20% taxiert. Der „wahre“ Anteilswert der Grundgesamtheit lag also mit θ=0,2 bereits vor. Aus einer sehr großen Losgröße wurden dann nacheinander 5 Produkte entnommen und auf ihre Qualität untersucht. Konkret wurde P(X  k ) 

5 k

 0,2 k  (1  0,2) n k für k = 1,2,…,5 berechnet.

Die Wahrscheinlichkeit für k fehlerhafte Produkte in der Stichprobe betrug: k 0 1 2 3 4 5

P(X=k) 0,32768 0,40960 0,20480 0,05120 0,00640 0,00032

Abbildung 111: Konstruktion von Schätzverfahren

160

3 Schließende Statistik

Für k=1, und damit für 20% fehlerhafte Produkte in der Stichprobe ergab sich logischerweise die größte Einzelwahrscheinlichkeit mit 40,96%. Unterstellen wir nun, dass der Fehleranteil der Grundgesamtheit (hier θ=0,2) unbekannt und nun unterschiedliche Stichproben aus der Grundgesamtheit mit unterschiedlichen Fehleranteilen ausgehend von θ1=0, θ2=0,1,…, θ11=1 gezogen worden wären. Anschließend berechnen wir für jeden dieser Fehleranteile die Wahrscheinlichkeit dafür, dass die Stichprobe einen Fehleranteil von p=0,2 und somit k=1 (entsprechend dem wahren Anteilswert der Grundgesamtheit) enthält. Dann stellen sich folgende Wahrscheinlichkeiten ein: θ 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0

P(X=1) 0,00000 0,32805 0,40960 0,36015 0,25920 0,15625 0,07680 0,02835 0,00640 0,00045 0,00000

Abbildung 112: Der Maximum-Likelihood-Schätzer

Erläuterung: Beispielhaft erhalten wir für θ=0,4 und k=1 die Wahrscheinlichkeit: P(X  1) 

5  0,41  (1  0,4) 51  0,2592  25,92% 1

Als Schätzwert für den unbekannten Anteilswert der Grundgesamtheit θ nehmen wir nun denjenigen Wert, der die größte Wahrscheinlichkeit impliziert. In obigem Beispiel erhalten wir für θ=0,2 mit 40,96% die größte Wahrscheinlichkeit. Somit ist dieser Anteilswert der Maximum-Likelihood-Schätzwert. Betrachten wir das analytische Zustandekommen. Bei der obigen Berechnung der Einzelwahrscheinlichkeiten war n=5 und k=1 fest vorgegeben, während θ variabel war. Die Funktion, bei der der Parameter der Grundgesamtheit die Variable ist, bezeichnen wir als so genannte Likelihood-Funktion, L(θ).101 Bezogen auf die oben unterstellte Binomialverteilung lautet sie:

101

Vgl. hierzu auch Bleymüller J. et. al., a.a.O., S. 98f.

3.6 Schätzen und Testen

L() 

n k

161

  k  (1  ) n k

Der Maximum-Likelihood-Schätzwert ist nun derjenige Schätzwert, der die LikelihoodFunktion maximiert. Das Maximum erhalten wir aus der ersten Ableitung von L(θ) und deren Nullsetzung:

L() 0 () Aus Gründen der leichteren Rechenbarkeit ermitteln wir die erste Ableitung zum natürlichen Logarithmus der Binomialverteilung gemäß: ln L()  ln

n k

 k  ln   (n  k )  ln(1  )

Die erste Ableitung lautet:  ln L() k n  k   ()  1  Nullsetzen und auflösen nach θ ergibt: k nk  0  1 

k  k  n  k und schließlich 

k p n

Es ließe sich ferner zeigen, dass die zweite Ableitung negativ ist und somit die hinreichende Bedingung erfüllt ist, damit diese Stelle das Maximum der Likelihood-Funktion bildet. Die Zufallsvariable p stellt somit die Maximum-Likelihood-Schätzfunktion für θ dar. Nach dem gleichen Verfahren könnte man an dieser Stelle den Maximum-LikelihoodSchätzwert für andere Verteilungsfunktionen, wie bspw. die (Standard)Normal- oder Poissonverteilung ableiten, worauf aber verzichtet werden soll.

162

3 Schließende Statistik

3.6.4

Statistisches Testen

3.6.4.1

Grundgedanken statistischer Testverfahren

Im Rahmen des einführenden Beispiels (siehe Kap. 3.6.2) wurde bereits kurz die Frage diskutiert, wie man aufgrund eines Konfidenzintervalles mögliche Hypothesen überprüfen kann. Dieser Gedanke soll nun wieder aufgegriffen und weiterentwickelt werden.102 Ebenso wie die Schätzverfahren basieren die im weiteren Verlauf zu diskutierenden Testverfahren (Prüfverfahren) auf der Stichprobentheorie. Im Rahmen der Schätzverfahren haben wir uns mit der Frage beschäftigt, wie man mit Hilfe von Zufallsstichproben unbekannte Parameter von Grundgesamtheiten schätzen kann. Im Rahmen der Testverfahren soll nun die Frage behandelt werden, wie man mit Hilfe von Zufallsstichproben testen (überprüfen) kann, ob bestimmte Hypothesen (Annahmen, Behauptungen) über unbekannte Grundgesamtheiten richtig oder falsch sind. Ein statistischer Test ist also, wie bereits erwähnt, ein Verfahren, mit dessen Hilfe sich bestimmte Hypothesen auf ihre Richtigkeit hin überprüfen lassen. Man unterscheidet dabei Parameter- und Verteilungstests. Es hat sich bewährt, die Testtheorie anhand eines einfachen und gut nachvollziehbaren Beispiels zu erklären. Das Werfen eines „fairen“ Würfels. 3.6.4.1.1

Das Prüfen eines fairen Würfels

Werfen wir einen „fairen“ Würfel, d.h., alle sechs Seiten haben die gleiche reelle Chance, so beträgt die Wahrscheinlichkeit für alle sechs Seiten 16,67% (θ0 = 1/6). Überprüfen wir also einen Würfel, so können wir bspw. die Behauptung testen, die Wahrscheinlichkeit für das Werfen einer 6 betrage 1/6. Diese Behauptung definieren wir als Nullhypothese (H0). H0: θ0 = 1/6 Dagegen setzen wir die Alternativhypothese (HA): HA: θA ≠ 1/6. Zur Prüfung von H0 wird nun ein Versuch (Stichprobe) durchgeführt, indem der Würfel nmal geworfen wird. Falls dabei die relative Häufigkeit für „sechs“ nicht zu sehr von 1/6 abweicht, ist man geneigt, H0 nicht zu bezweifeln. Andernfalls, d.h. wenn θ weit von 1/6 abweichen sollte, muss H0 verworfen werden. Zur Erinnerung: Beim Konfidenzintervall für den Anteilswert galt: p  z  σ p    p  z  σ p mit  p 

102

Vgl. Rößler I./Ungerer A., 2008, S. 156ff.

p  (1  p) . n

3.6 Schätzen und Testen

163

Angenommen, der Würfel würde n = 100mal geworfen und als Signifikanzniveau wäre 5% gefordert, dann würden, unter der Annahme, das H0 richtig ist, 95% aller p-Werte in den Bereich von 0,167  0,833 also zwischen pU = 0,0936 und pO = 0,2398 fallen. 100

0,1667 ± 1,96

Liegt das Stichprobenergebnis innerhalb dieses Bereiches, betrachtet man die H0-Hypothese als nicht widerlegt. Fällt nun ein Stichprobenanteilswert in den Ablehnungsbereich, ist es zwar theoretisch möglich, dass er zur Verteilung von θ = 0,1667 gehört, aber es ist doch sehr unwahrscheinlich. Wird in solchen Fällen die H0-Hypothese abgelehnt, begeht man den so genannten α-Fehler, weil die H0-Hypothese fälschlicherweise abgelehnt wird. Graphisch sieht unser Würfelbeispiel wie folgt aus: 12% 10% 8% 6% 4% 2% 0% 1

3

5

7

9

Ablehnung von H0

11

13

15

17

19

Annahme von H0

21

23

25

27

29

31

Ablehnung von H0

Abbildung 113: Zweiseitiger Hypothesentest

Wie wir später noch sehen werden, handelt es sich hierbei um einen so genannten zweiseitigen Test, da der Annahmebereich von H0 durch einen linken und rechten Ablehnungsbereich von H0 begrenzt wird. Der Erwartungswert bei n=100 Würfen liegt bei 16,67%, der Annahmebereich von H0 beginnt bei der Untergrenze pU = 9,36% und endet bei pO = 23,98%. Absolut betrachtet würden wir die Aussage, dass es sich um einen fairen Würfel handelt, also verwerfen, wenn bei n=100 Würfen zwischen 0 und 9 bzw. zwischen 24 und 100 Mal die Augenzahl 6 gewürfelt würde.

164 3.6.4.1.2

3 Schließende Statistik Das Aufstellen von Hypothesen

In unserem Würfelbeispiel hatten wir als Nullhypothese die Vermutung, der Würfel sei „fair“. Das war einfach und logisch. Wie kommt man aber bei anderen Problemstellungen an die Nullhypothese?  Man hat erstens Erfahrungswerte: Ist z.B. aufgrund langjähriger Erfahrung bekannt, dass der Ausschussanteil einer Produktionsstätte bei 5% liegt, wird man θ = 0,05 als Nullhypothese wählen.  Es werden zweitens Soll- bzw. Normwerte vorgegeben: Produziert eine Maschine z.B. laut Herstellerangaben so, dass sie ein durchschnittliches Abfüllgewicht von μ = 1.000g bei einer definierten Standardabweichung bringt, lautet die Nullhypothese μ0 = 1.000g.  Man stellt drittens theoretische Überlegungen an (vorwiegend in den Naturwissenschaften) und versucht, diese zu verifizieren. Beim Aufstellen der Hypothesen ist zu beachten, dass als H0-Hypothese normalerweise das „Althergebrachte“ fungiert, also der Fall keiner Änderung angenommen wird und nicht umgekehrt. Behauptet also bspw. ein Waschmittelproduzent, dass seine Ware nur in 5% aller Fälle das Sollgewicht von 1 kg unterschreitet, so definieren wir: μ0 = 1kg Was aber ist die Alternativhypothese? Hier müssen wir unterscheiden in  nicht konkretisierte und  konkretisierte Alternativhypothesen (=HA). Im ersten Fall sagen wir lediglich μ A  1 kg oder μA > 1kg. Bei einer konkretisierten Alternativhypothese ordnen wir dagegen der HA einen bestimmten Punktwert zu, bspw. μA = 1,1kg. In den hier behandelten Ansätzen werden generell die nicht konkretisierten Alternativhypothesen angesprochen. 3.6.4.1.3

Bestimmung des Signifikanzniveaus

Das Signifikanzniveau sollte ebenso wie die Hypothese vor Durchführung des Tests festgelegt werden. In der Regel wählt man das Signifikanzniveau relativ klein, d.h. α > 5% ist unüblich. Damit soll erreicht werden, dass die sehr viel fundiertere H0 nicht zu früh fälschlicherweise abgelehnt wird. Die Bemühungen gehen dahin, das Risiko eines α-Fehlers möglichst klein zu halten.

3.6 Schätzen und Testen 3.6.4.1.4

165

Einseitige und zweiseitige Tests

Je nach Formulierung der Alternativhypothese liegt ein ein- oder zweiseitiger Test vor:  Unser Würfelbeispiel war ein zweiseitiger Test, denn die Abweichung von H0: θ=0,1667 interessierte sowohl nach oben als auch nach unten, weshalb eine obere und untere Annahmebereichsgrenze angegeben werden musste.  Fälle aus der Qualitätskontrolle sind häufig einseitige Tests. Garantiert ein Produzent ein bestimmtes Mindestgewicht seiner Ware, interessiert uns lediglich die Abweichung nach unten, d.h., ob das garantierte Mindestgewicht unterschritten wird. Abweichungen nach oben scheiden hier als Kontrollmechanismus aus, denn enthielte die Verpackung mehr als die zugesicherte Ware, wäre dies im Zuge einer Mängelrüge i.d.R. irrelevant. Bezogen auf nachstehende Abbildung hätten wir es folglich mit einem linksseitigen Hypothesentest zu tun. Rechtsseitiger Test

Annahme von H0

Linksseitiger Test

Ablehnung von H0

Ablehnung von H0

Annahme von H0

Abbildung 114: Rechts- und linksseitige Hypothesentests

3.6.4.1.5

α-Fehler und β-Fehler

Die Bedeutung des α-Fehlers hatten wir bereits kennen gelernt. Er stellt das Risiko dar, die H0-Hypothese fälschlicherweise abzulehnen. Ihn bezeichnet man als Fehler erster Art. Nun gibt es aber noch einen Fehler zweiter Art, der als β-Fehler bezeichnet wird. Dabei handelt es sich um das Risiko, das man eingeht, die Alternativhypothese HA abzulehnen, obwohl sie richtig ist. So können Stichprobenwerte sehr wohl zur Verteilung von HA gehören und dennoch im Annahmebereich der H0-Hypothese liegen. Nachfolgende Tabelle soll den kompletten Sachverhalt noch einmal verdeutlichen:

166

3 Schließende Statistik aufgrund der Stichprobe gefällte Entscheidung H0 richtig HA richtig

unbekannte Realität H0 richtig

HA richtig

richtige Entscheidung α-Fehler

β-Fehler richtige Entscheidung

Abbildung 115: Alpha- und Betafehler beim Testen

3.6.4.1.6

Vorgehensweise beim statistischen Testen

Jeder statistische Test läuft nach dem gleichen Standardschema ab und umfasst die folgenden 5 Schritte: Schritt 1: Aufstellung von Null- und Alternativhypothese sowie Festlegung des Signifikanzniveaus. Schritt 2: Festlegung einer geeigneten Prüfgröße und Bestimmung der Testverteilung bei Gültigkeit der Nullhypothese. Schritt 3: Bestimmung des kritischen Bereichs. Schritt 4: Berechnung des Wertes der Prüfgröße. Schritt 5: Entscheidung und Interpretation. Häufig werden die Schritte 2 und 4 auch zusammen bearbeitet, denn die Prüfgrößenbestimmung hat automatisch die Berechnung des (Prüf)Wertes zur Folge. 3.6.4.2

Testverfahren

3.6.4.2.1

Überblick über wichtige Testverfahren

Nachfolgend werden die im weiteren Verlauf angesprochenen Testverfahren nach Nullhypothese, Prüfgröße und der anzuwendenden Verteilung dargestellt. Es ist keine vollständige Darstellung aller möglichen Testverfahren, sondern ein Auszug aus den besonders relevanten Verfahren der Wirtschaftsstatistik:

3.6 Schätzen und Testen Nullhypothese

167 Wert der Prüfgröße Parametertests

anzuwendende Verteilung

x  0 

Normalverteilung Bedingung: Grundgesamtheit normalverteilt oder n>30

μ = μ0 (σ bekannt)

z=

μ = μ0 (σ unbekannt)

t=

n

n p  0

z=

θ = θ0

μ1 = μ2 (σ1, σ2 bekannt) bzw. (s1, s2 bekannt) θ1=θ2

Studentverteilung, sofern n≤30 mit ν = n-1 Normalverteilung, sofern n>30

x  0 s

s 21 n1

σ21 = σ22

Normalverteilung Bedingung: Grundgesamtheit normalverteilt oder n1>30 und n2>30

x1  x 2

z=

z

Normalverteilung Bedingung: n   0  (1   0 )  9

0 (1  0 ) n



2

s 2 n2

(p1  p 2 )

Normalverteilung Bedingung: Grundgesamtheit normalverteilt

(n 1  n 2 ) p  (1  p) n1  n 2

f=

s 21 s22

Fisher-Verteilung mit ν1 = n1 -1 und ν2 = n2 -1

Verteilungstests Stichprobe folgt bestimmter vorgegebener Verteilung

(n i  n i e ) 2

k

2  

i 1

t=

r=0

ni

Chi-Quadrat-Verteilung mit ν = k-m-1

e

r n2

Studentverteilung mit ν = n-2

1 r2

β1 = 0

t=

b1 s b1

Studentverteilung mit ν = n-2

β2 = 0

t=

b2 s b2

Studentverteilung mit ν = n-2

zwei Merkmale A und B sind voneinander unabhängig

 2beob

n n    n ij  i  j   k l n    n i  n  j i 1 j1 n

2

Chi-Quadrat-Verteilung mit ν = (k-1) . (l-1)

168

3 Schließende Statistik

Bedeutung:

x = Durchschnittswert; μ0 = Erwartungswert der Nullhypothese; σ = Standardabweichung der Grundgesamtheit; n = Stichprobenumfang; s = Standardabweichung der Stichprobe, s2i = Varianz der i-ten Stichprobe; p = Anteilswert der Stichprobe; θ0 = Anteilswert der Grundgesamtheit der Nullhypothese; r = Korrelationskoeffizient; β1 = Achsenabschnitt des Regressionsansatzes der Grundgesamtheit, b1 = Achsenabschnitt des Regressionsansatzes der Stichprobe; sb1 = Standardfehler des Stichprobenregressionskoeffizienten b1; β2 = Steigung des Regressionsansatzes der Grundgesamtheit, b2 = Steigung des Regressionsansatzes der Stichprobe; sb2 = Standardfehler des Stichprobenregressionskoeffizienten b2; k,l und m = Anzahl der Merkmalsausprägungen von A und B Abbildung 116: Wichtige Testverfahren

3.6.4.2.2 3.6.4.2.2.1

Parametertests Test für das arithmetische Mittel bei bekannter Varianz

Hierbei und in den nächsten Fällen handelt es sich um Parametertests, bei denen man eine Hypothese über den Parameter der Grundgesamtheit (hier μ) mit einer Stichprobe überprüfen will. In diesem ersten Fall ist die Varianz der Grundgesamtheit σ2 bekannt. Beispiel: Die durchschnittliche Lebensdauer von Glühbirnen, die nach einem herkömmlichen Verfahren hergestellt werden, beträgt bei einer durchschnittlichen Abweichung von 100 Stunden 1.000 Stunden. Diese werden vom Hersteller garantiert. Ein Händler entnimmt einer Lieferung eine Stichprobe vom Umfang n = 100 und kommt auf eine durchschnittliche Lebensdauer von 960 Stunden. Das Signifikanzniveau betrage 5%. Kann der Händler die Lieferung zurückschicken? Bekannt: x = 960; μ0 = 1.000 Stunden; σ = 100 Stunden; n = 100 1.

Schritt: Aufstellung der Hypothesen

H0: μ = 1.000 Stunden HA: μ < 1.000 Stunden 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung (n ≥ 30) mit der Prüfgröße z=

x  μ0 σ n

3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen einseitigen Test, so dass sich aus der Tabelle der Normalverteilung für α = 0,05 ein kritischer Wert von zk = 1,65 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird H0 abgelehnt.

3.6 Schätzen und Testen 4.

Schritt: Berechnung der Prüfgröße

z=

960  1.000 x  μ0 = = -4 σ 100 100

n

5. Da

169

Schritt: Entscheidung und Interpretation = 4 > zk = 1,65, wird die H0-Hypothese abgelehnt, es kann also bei einer Irr-

z

tumswahrscheinlichkeit von 5% davon ausgegangen werden, dass die zugesagte Eigenschaft des Lieferanten (μ = 1.000 Stunden) signifikant unterschritten wird. Deshalb wird die Lieferung abgelehnt.103 3.6.4.2.2.2

Test für das arithmetische Mittel bei unbekannter Varianz

Wir wollen jetzt den in der Praxis häufiger anzutreffenden Fall untersuchen, der darin besteht, dass beim Test des arithmetischen Mittels die Varianz σ2 und damit die Standardabweichung der Grundgesamtheit σ unbekannt sind. Beispiel: Eine Maschine stellt eine Spezialschraube her, deren Länge normalverteilt ist mit dem Sollwert (Mittelwert) μ = 25 cm. Eine Stichprobe vom Umfang n = 10 Schrauben liefert ein arithmetisches Mittel von x = 24,91 cm bei einer Standardabweichung von 0,04 cm. Die Hypothese, dass die Maschine noch exakt arbeitet, ist auf einem Signifikanzniveau von α = 0,05 zu überprüfen. Bekannt: x = 24,91 cm; μ0 = 25 cm; s = 0,04 cm; n = 10 1.

Schritt: Aufstellung der Hypothesen

H0: μ = 25 cm HA: μ ≠ 25 cm d.h. wir führen einen zweiseitigen Test durch, da sowohl Abweichungen nach oben, als auch nach unten darauf hindeuten, dass die Maschine nicht mehr exakt arbeitet. 2.

Schritt: Festlegung der Prüfgröße

Studentverteilung mit ν = n – 1 Freiheitsgraden und der Prüfgröße t=

x  0 s n

103

Siehe Fallstudie 70.

170 3.

3 Schließende Statistik Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, da für die Qualitätskontrolle sowohl Abweichungen nach unten als auch nach oben nicht akzeptabel sind, so dass sich aus der Tabelle der t-Verteilung für α = 0,05 ein kritischer Wert von tk = 2,262 (9 Freiheitsgrade) ergibt. Ist also der Betragswert der Prüfverteilung t > tk, so wird H0 abgelehnt 4. t=

5. Da

Schritt: Berechnung der Prüfgröße 24,91  25 x  0  7,12 = s 0, 04 10 n

Schritt: Entscheidung und Interpretation t

= 7,12 > tk = 2,262, wird die H0-Hypothese abgelehnt, es kann also bei einer

Irrtumswahrscheinlichkeit von 5% davon ausgegangen werden, dass die Maschine nicht mehr exakt arbeitet.104 3.6.4.2.2.3

Test des Anteilswertes

Neben den arithmetischen Mitteln der Grundgesamtheit bilden Anteilswerte einen großen Testbereich innerhalb der Einstichprobentests. Beispiel: Ein Produzent behauptet, dass bei dem von ihm gelieferten Los eines Produktes der Ausschussanteil 15% nicht übersteigt. In einer zur Qualitätsüberprüfung gezogenen Stichprobe ohne Zurücklegen vom Umfang n = 100 werden x = 18 schlechte Stücke gefunden. Ist damit die Behauptung des Fabrikanten, der Ausschussanteil betrage maximal 15%, bei einem Signifikanzniveau von α = 0,05 widerlegt? Bekannt: θ = 0,15; p = 0,18 (18/100); n = 100 1.

Schritt: Aufstellung der Hypothesen

H0: θ ≤ 0,15 HA: θ > 0,15. 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung mit der Prüfgröße z=

104

p 0  0 (1   0 ) n

Siehe Fallstudie 71.

3.6 Schätzen und Testen 3.

171

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen einseitigen Test, so dass sich aus der Tabelle der z-Verteilung für α = 0,05 ein kritischer Wert von zk = 1,65 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird die H0-Hypothese abgelehnt. 4. z=

5. Da

Schritt: Berechnung der Prüfgröße p 0  0 (1   0 ) n

=

0,18  0,15 0,15  0,85 100

 0,84

Schritt: Entscheidung und Interpretation z

= 0,84 < zk = 1,65, wird die H0-Hypothese nicht abgelehnt, die Behauptung des

Fabrikanten kann also auf dem 5%-Signifikanzniveau nicht verworfen werden.105 3.6.4.2.2.4

Zweistichprobentest für die Differenz arithmetischen Mittel

Der Statistiker steht in der Praxis oft vor Aufgaben folgender Art: Aus zwei Grundgesamtheiten liegt je eine Stichprobe des Umfangs n1 bzw. n2 vor, die die zwei Stichprobenwerte x1 und x 2 liefern. Daraus erhebt sich die Frage, ob aus einer beobachteten Differenz d = x1 - x 2 auch auf eine Differenz μ1 - μ2 der arithmetischen Mittel der Grundgesamtheiten geschlossen werden kann. Aus der Vielzahl der möglichen Testsituationen (abhängige/unabhängige Stichprobe etc.) wollen wir lediglich einen Fall, und zwar den wohl bedeutsamsten herausgreifen, der folgende Modellvoraussetzungen hat:  die beiden Stichproben sind voneinander unabhängig,  beide Stichproben stammen aus normalverteilten Grundgesamtheiten und  die Varianzen der beiden Grundgesamtheiten sind voneinander verschieden. Beispiel: In zwei Städten aus den neuen und alten Bundesländern wurden Einkommensbezieher nach ihrem letzten Jahreseinkommen befragt. Die Stichprobe enthielt n1 = 40 (alte) und n2 = 50 Personen (neue Bundesländer). Das durchschnittliche Einkommen der Einkommensbezieher der alten Bundesländer lag bei 41.000,- € bei einer Standardabweichung von 7.000,- € und 30.000,- (Standardabweichung = 8.000,- €) in den neuen Ländern. Es soll geprüft werden, ob ein signifikanter Unterschied besteht, wobei das Signifikanzniveau mit α = 0,05 vorgegeben wurde. Bekannt: n1 = 40; n2 = 50; x1 = 41.000; s1 = 7.000; x 2 = 30.000; s2 = 8.000

105

Siehe Fallstudie 72.

172

3 Schließende Statistik

1. Schritt: Aufstellung der Hypothesen H 0: μ 1 = μ 2 H A : μ 1 ≠ μ 2. 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung mit der Prüfgröße z=

3.

x1  x 2 s 21 s 2 2  n1 n 2

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, so dass sich aus der Tabelle der z-Verteilung für α = 0,05 ein kritischer Wert von zk = 1,96 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird die H0-Hypothese abgelehnt. 4. z=

Schritt: Berechnung der Prüfgröße 41.000  30.000 2

7.000 8.000  40 50

5.

2



11.000  6,95 1.582,72

Schritt: Entscheidung und Interpretation

Da z = 6,95 > zk = 1,96, wird die H0-Hypothese abgelehnt, es muss also von einem signifikanten Unterschied der Ergebnisse der Gruppen ausgegangen werden.106 Die Einkommensbezieher aus den alten Bundesländern verdienen folglich signifikant mehr. 3.6.4.2.2.5

Zweistichprobentest für die Differenzen zweier Anteilswerte

Neben dem behandelten Zweistichprobentest für die Differenzen zweier arithmetischer Mittel der Grundgesamtheit interessiert häufig die Differenz zweier Anteilswerte, oder konkret, ob es zwischen den Anteilswerten signifikante Unterschiede gibt. Beispiel: Eine Stichprobe vom Umfang n1 = 400 PKW der Niederlassung A ergab bei x1 = 39 Stück Mängel. Aus der Niederlassung B wurden n2 = 300 PKW auf Mängel untersucht und bei x2 = 45 auch festgestellt. Steht das Ergebnis im Widerspruch zu der Behauptung, dass der Anteil der fehlerhaften PKW in den beiden Niederlassungen identisch ist? Das Signifikanzniveau betrage 5%. Bekannt: n1 = 400; n2 = 300; x1 = 39; x2 = 45 106

Siehe Fallstudie 73.

3.6 Schätzen und Testen 1.

173

Schritt: Aufstellung der Hypothesen

H 0: θ 1 = θ 2 H A : θ 1 ≠ θ 2. 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung mit der Prüfgröße (p1  p 2 )

z

p  (1  p)

Dabei gilt: p 

(n1  n 2 ) n1  n 2 (n 1  p1  n 2  p 2 ) (n1  n 2 )

p ist also der mit den Stichprobengrößen gewichtete durchschnittliche Anteilswert der gesamten Stichprobe. 3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, so dass sich aus der Tabelle der z-Verteilung für α = 0,05 ein kritischer Wert von zk = 1,96 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird die H0-Hypothese abgelehnt. 4.

Schritt: Berechnung der Prüfgröße

p1 

p z

5.

x1 39   0,0975 n1 400

p2 

x2 45   0,150 n 2 300

(400  0,0975  300  0,15)  0,12 (400  300) (0,0975  0,15) (400  300) 0,12  (1  0,12) 400  300

 2,12

Schritt: Entscheidung und Interpretation

Da z = 2,12 > zk = 1,96, wird die H0-Hypothese abgelehnt, es muss also von einem signifikanten Unterschied innerhalb der beiden Niederlassungen ausgegangen werden. Der Anteil der mängelbehafteten PKW in der Niederlassung B ist also signifikant höher als der in Niederlassung A.107

107

Siehe Fallstudie 74.

174

3 Schließende Statistik

3.6.4.2.2.6

Zweistichprobentest für den Quotienten zweier Varianzen

Wie bereits aus dem Kapitel der Schätztheorie bekannt, kann die Zufallsvariable F als Prüfgröße für den Test des Quotienten zweier Varianzen verwendet werden. Dabei unterstellt man mit der Ho-Hypothese die Gleichheit zweier Varianzen der Grundgesamtheit σ21 = σ22 und verwendet als Test die entsprechenden Stichprobenvarianzen s21 und s22. Unterstellt wird dabei, dass die Varianzen aus einer normalverteilten Grundgesamtheit stammen. Beispiel: Es wird behauptet, dass die Streuung der Statistiknoten im Studiengang A größer ist als im Studiengang B. Der Mittelwert ist mit 3,2 jeweils identisch. Eine Stichprobe für Studiengang A ergab bei 10 untersuchten Studenten eine Standardabweichung von 1,457, während die Standardabweichung bei Studiengang B bei ebenfalls 10 untersuchten Studenten 1,364 betrug. Ist der Unterschied in der Varianz auf dem 95%-Niveau signifikant? Bekannt: n1 = 10; n2 = 10; s1 = 1,457; s2 = 1,364 1.

Schritt: Aufstellung der Hypothesen

H0: σ21 = σ22 HA: σ21 ≠ σ22. (hier erfolgt ein zweiseitiger Test; ebenso hätte man natürlich auch σ21 > σ22 u.u. testen können, d.h., der Test wäre dann einseitig gewesen. Die Alternativhypothese hängt also von der Fragestellung ab.) 2.

Schritt: Festlegung der Prüfgröße

F-Verteilung mit der Prüfgröße f=

s 21 s22

3.

Schritt: Bestimmung des kritischen Bereichs

Aus der Tabelle der F-Verteilung für α = 0,05 ergibt sich ein rechtsseitiger kritischer Wert von F0,975;9;9 = 3,179 (ν1 = 10-1 und ν2 = 10-1 Freiheitsgrade).108 Der linksseitige kritische Bereich beträgt F0,025;9;9 

1 F0,975;9;9



1  0,3146 3,179

Ist also der Wert der Prüfverteilung kleiner als der linksseitige oder größer als der rechtsseitige Wert, wird die H0–Hypothese abgelehnt.

108

Häufig kann man aus den Tabellen nicht den exakten Wert ablesen, weshalb man einen Näherungswert nehmen muss. Siehe Tabelle im Anhang 8.6.

3.6 Schätzen und Testen 4.

Schritt: Berechnung der Prüfgröße

f=

s 21 1,457 2 = = 1,14 s 2 2 1,364 2

5.

Schritt: Entscheidung und Interpretation

175

Da 0,3146 < 1,14 < 3,179, kann die H0-Hypothese nicht verworfen werden, ein signifikanter Unterschied in den Varianzen der beiden Studiengänge konnte also nicht festgestellt werden.109 3.6.4.2.3

Verteilungstests

Bislang wurden Testverfahren beschrieben, bei denen bestimmte Hypothesen zu Parametern der Grundgesamtheit aufgestellt und auf Signifikanz untersucht wurden. Deshalb beschreibt man sie kurzerhand als Parametertests oder Parametrische Testverfahren. Die im weiteren Verlauf vorgestellten Tests gehen von einer anderen Idee und damit von einer anderen zu testenden Hypothese aus. Hier werden Hypothesen zu unbekannten Verteilungen von Grundgesamtheiten aufgestellt und auf ihre Haltbarkeit hin untersucht. Deshalb werden sie als Verteilungstests oder manchmal auch als Nichtparametrische Testverfahren beschrieben. 3.6.4.2.3.1

χ2-Anpassungstest

Der χ2-Anpassungstest ist möglicherweise der wichtigste Test im Rahmen der Nichtparametrischen Testverfahren, denn mit ihm wird überprüft, ob die zugrunde gelegte Verteilungsfunktion überhaupt sinnvoll gewählt wurde. Schließlich geht man von einer Stichprobe aus und unterstellt aufgrund dessen eine bestimmte (theoretische) Verteilung der Grundgesamtheit. Deshalb lautet die H0-Hypothese im Rahmen aller χ2-Anpassungstests auch immer, dass die Grundgesamtheit einer bestimmten Verteilung folgt. Da grundsätzlich die Güte der Anpassung einer theoretischen Verteilung an eine empirische Verteilung (unsere Stichprobe) überprüft wird, nennt man den χ2-Anpassungstests auch den „Goodness-of-Fit-Test“. Grundsätzlich können alle theoretischen Verteilungsfunktionen mittels des Anpassungstests überprüft werden. Da sie immer dem gleichen Aufbau folgen, soll er im Folgenden anhand der unterstellten Normalverteilung (Fall A) und Gleichverteilung (Fall B) erläutert werden. Fall A: (Standard)Normalverteilung Beispiel: In folgender Tabelle sind die Jahreseinkommen von 70 Angestellten eines Beratungsunternehmens aufgeführt. Es wird davon ausgegangen, dass diese normalverteilt sind. Dies soll auf dem 5%-Signifikanzniveau überprüft werden.

109

Siehe Fallstudie 75.

176

3 Schließende Statistik

Einkommen (in T€) von – bis (xi) 0 – 10 (Klassenmitte 5) 10 – 20 (Klassenmitte 15) 20 – 30 (Klassenmitte 25) 30 – 40 (Klassenmitte 35) 40 – 50 (Klassenmitte 45) 50 – 60 (Klassenmitte 55) über 60 (Klassenmitte 60)

Anzahl ni

xi  ni

n i  (x i  x) 2

1 2 8 25 20 8 6

5 30 200 875 900 440 360 ∑ = 2.810

1.235,02 1.264,33 1.834,45 661,23 471,83 1.765,87 2.365,83 ∑ = 9.598,56

Abbildung 117: χ 2-Anpassungstest I

1 k 2.810   ni  xi   40,1429 n i 1 70 1 k 1 s 2    n i  (x i  x) 2   9.598,56  137,12 n i1 70 x

1.

s  s 2  11,71

Schritt: Aufstellung der Hypothesen

H0: Die Einkommen folgen einer Normalverteilung HA: Die Einkommen sind nicht normalverteilt 2.

Schritt: Festlegung der Prüfgröße

χ2-Verteilung mit der Prüfgröße k

(n i  n i e ) 2

i 1

nie

2  

mit ν = k-m-1

Dabei ist k die Anzahl der gebildeten Klassen (hier 7) und m die Anzahl der zu schätzenden Parameter. Die zu schätzenden Parameter sind bei unterstellter Normalverteilung im Rahmen der z-Transformation der Erwartungswert μ sowie die Standardabweichung σ. Der Parameter m ist also 2. Für diese werden die Werte der Stichprobe genommen:   x  40,1429 ;   s  11,71

Unter Zuhilfenahme der z-Formel: z

xio   

3.6 Schätzen und Testen

177

können also die relevanten z-Werte und aus der Standardnormalverteilungstabelle die korrespondierenden Wahrscheinlichkeiten abgeleiten werden: Einkommen (in T€) von – bis (xi) 0 – 10 (Klassenmitte 5) 10 – 20 (Klassenmitte 15) 20 – 30 (Klassenmitte 25) 30 – 40 (Klassenmitte 35) 40 – 50 (Klassenmitte 45) 50 – 60 (Klassenmitte 55) über 60 (Klassenmitte 60)

xi0

10 20 30 40 50 60 ∞

z

xio   

-2,57 -1,72 -0,87 -0,01 0,84 1,70 ∞

F(z)

f (z)

0,0051 0,0427 0,1922 0,4960 0,7995 0,9554 1,0000

0,0051 0,0376 0,1495 0,3038 0,3035 0,1559 0,0446

Abbildung 118: χ 2-Anpassungstest II

Aus der letzten Spalte ergeben sich die erwarteten Wahrscheinlichkeiten der einzelnen Klassen. Bspw. beträgt die Wahrscheinlichkeit, dass bei unterstellter Normalverteilung ein Einkommen zwischen 30 und 40 T€ erzielt wird, 30,38%. Mit Hilfe dieser Wahrscheinlichkeiten können nun die absoluten erwarteten Einkommensbezieher der einzelnen Gruppen nie ermittelt werden. Sie sind, zusammen mit den tatsächlichen Werten, in nachfolgender Tabelle aufgeführt und bilden die Basis für die unter Schritt 4 zu berechnenden Prüfgrößen. Dabei ist zu beachten, dass nie ≥ 5 gefordert wird, um verzerrte Ergebnisse zu vermeiden. Ist dies nicht der Fall, werden die nie mit den nachfolgenden Klassen kumuliert. Einkommen (in T€) von – bis (xi) 0 – 10 (Klassenmitte 5) 10 – 20 (Klassenmitte 15) 20 – 30 (Klassenmitte 25) 30 – 40 (Klassenmitte 35) 40 – 50 (Klassenmitte 45) 50 – 60 (Klassenmitte 55) über 60 (Klassenmitte 60)

ni

nie

1 2 8 25 20 8 6

0,357 2,632 10,465 21,266 21,245 10,913 3,122

Abbildung 119: χ 2-Anpassungstest III

Im obigen Fall weisen die ersten beiden sowie die letzte Gruppe erwartete absolute Werte von weniger als 5 auf, so dass sie mit der dritten Gruppe resp. vorletzten Gruppe verknüpft werden. Exemplarisch ergeben sich die erwarteten 10,465 Personen der Einkommensgruppe

178

3 Schließende Statistik

20 bis 30 aus der relativen erwarteten Häufigkeit 0,1495 multipliziert mit der Anzahl der Personen (70). 3.

Schritt: Bestimmung des kritischen Bereichs

Aus der Tabelle der χ2-Verteilung für α = 0,05 bei ν = k-m-1=7-2-1=4 Freiheitsgraden ergibt sich ein kritischer Wert von 9,4877. 4.

Schritt: Berechnung der Prüfgröße k

(n i  n i e ) 2

i 1

nie

2  

Einkommen (in T€) von – bis (xi) 0 – 30 30 – 40 40 – 50 über 50

ni

nie

(n i  n i e ) 2 nie

11 25 20 14

13,454 21,266 21,245 14,035

0,448 0,656 0,073 0,000 Σ = 1,177

Abbildung 120: χ 2-Anpassungstest IV

5.

Schritt: Entscheidung und Interpretation

Da 1,176 < 9,4877, kann die H0-Hypothese nicht verworfen werden. Bei einer Irrtumswahrscheinlichkeit von 5% kann also davon ausgegangen werden, dass die Grundgesamtheit einer Normalverteilung gehorcht.110 Fall B: Gleichverteilung Beispiel: Nachdem unter Fall A die Entscheidung gefallen war, dass die Normalverteilung als relevante Verteilungsfunktion für die Grundgesamtheit angenommen werden kann, soll nun die Hypothese der Gleichverteilung getestet werden: 1.

Schritt: Aufstellung der Hypothesen

H0: Die Einkommen folgen einer Gleichverteilung HA: Die Einkommen sind nicht gleichverteilt 2.

Schritt: Festlegung der Prüfgröße

χ2-Verteilung mit der Prüfgröße

110

Siehe Fallstudie 76.

3.6 Schätzen und Testen k

(n i  n i e ) 2

i 1

nie

2  

179

mit ν = k-m-1

Entgegen des Falles A müssen hier keine separaten Parameter (m) geschätzt werden. Der Parameter m ist also 0. In folgender Tabelle sind die tatsächlichen Häufigkeiten ni sowie die erwarteten Häufigkeiten nie enthalten. Danach verteilen sich alle 70 Angestellten gleichmäßig auf die 7 Klassen (jeweils 10). Einkommen (in T€) von – bis (xi) 0 – 10 (Klassenmitte 5) 10 – 20 (Klassenmitte 15) 20 – 30 (Klassenmitte 25) 30 – 40 (Klassenmitte 35) 40 – 50 (Klassenmitte 45) 50 – 60 (Klassenmitte 55) über 60 (Klassenmitte 60)

ni

nie

(n i  n i e ) 2 nie

1 2 8 25 20 8 6

10 10 10 10 10 10 10

8,1 6,4 0,4 22,5 10,0 0,4 1,6 Σ = 49,4

Abbildung 121: χ2-Anpassungstest V

3.

Schritt: Festlegung der Prüfgröße

Aus der Tabelle der χ2-Verteilung für α = 0,05 bei ν = k-m-1=7-0-1=5 Freiheitsgraden ergibt sich ein kritischer Wert von 11,071. 4.

Schritt: Berechnung der Prüfgröße k

(n i  n i e ) 2

i 1

nie

2  

5.

 49,4 (siehe Schritt 2)

Schritt: Entscheidung und Interpretation

Da 49,4 > 11,071, kann die H0-Hypothese verworfen werden. Man kann also nicht davon ausgehen, dass die Grundgesamtheit einer Gleichverteilung gehorcht (was auch sehr logisch erscheint, da ja bereits die Normalverteilung als sinnvolle Verteilungsfunktion erkannt wurde).111

111

Siehe Fallstudie 77.

180

3 Schließende Statistik

3.6.4.2.3.2

Test des Korrelationskoeffizienten

Im Rahmen der Berechnung des Korrelationskoeffizienten untersuchten wir die Beziehung zwischen zwei quantitativen Merkmalen. Interpretieren wir nun unsere Beobachtungen als Stichprobe, sollten wir uns fragen, ob unser in der Stichprobe errechneter Korrelationskoeffizient r etwas über den tatsächlichen Zusammenhang in der Grundgesamtheit aussagt. Beispiel: In unserem ersten Beispiel zum Korrelationskoeffizienten nach Bravais-Pearson für ungruppierte Daten untersuchten wir die lineare Beziehung zwischen dem erwirtschafteten Gewinn und der Eigenkapitalquote. Als Basis dienten 10 Unternehmen, der errechnete Korrelationskoeffizient betrug r=0,924. Nun soll untersucht werden, ob dieser Wert statistisch gesichert ist, d.h., ob der Korrelationskoeffizient signifikant von Null verschieden ist. Das Signifikanzniveau betrage 95%. Bekannt: r = 0,924 1.

Schritt: Aufstellung der Hypothesen

H0: r = 0 (es besteht kein Zusammenhang der Merkmale) HA: r  0 (es besteht ein Zusammenhang der Merkmale) 2.

Schritt: Festlegung der Prüfgröße

Studentverteilung mit ν = n – 2 Freiheitsgraden und der Prüfgröße t=

3.

r n 2 1  r2 Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, da der Korrelationskoeffizient sowohl negative als auch positive Werte annehmen kann. so dass sich aus der Tabelle der t-Verteilung für α = 0,05 bei ν=n-2=10-2=8 Freiheitsgraden ein kritischer Wert von tk = 2,306 ergibt. Ist also der Betragswert der Prüfverteilung t > tk, so wird die H0-Hypothese abgelehnt. 4. t= 5.

Schritt: Berechnung der Prüfgröße r n  2 1 r

2

=

0,924  10  2 1  0,924 2

 6,83

Schritt: Entscheidung und Interpretation

Da t = 6,83 > tk = 2,306 wird die H0-Hypothese abgelehnt. Es besteht also ein signifikanter Zusammenhang zwischen der Eigenkapitalquote und dem Gewinn.112

112

Siehe Fallstudie 78.

3.6 Schätzen und Testen 3.6.4.2.3.3

181

Test der Regressionskoeffizienten

Im Rahmen der Berechnung des (linearen) Regressionsansatzes unterstellten wir die Abhängigkeit einer abhängigen Variablen y von einer unabhängigen Variablen x. Heraus kam ein Regressionsansatz folgender Form: yˆ  b1  b 2  x

Es galt also, aufgrund der beiden geschätzten Parameter der Stichprobe, nämlich von b1 (Achsenabschnitt) und b2 (Steigungsmaß) auf die Grundgesamtheit und damit auf die beiden Parameter β1 und β2 zurück zuschließen, bzw. die Frage zu beantworten, inwieweit die Parameter statistisch gesichert, d.h. signifikant von Null verschieden sind. Beispiel: In den vorangegangenen Kapiteln der linearen Einfachregression bzw. der Konfidenzintervalle für β1 und β2, bei denen wir die Entwicklung der Beschäftigtenzahlen (in Tsd.) von den branchenüblichen Stundensätze (in €) der zurückliegenden 10 Jahre für eine bestimmte Branche untersuchten, ergaben sich die Werte für b1 und b2 nebst den für die Signifikanztests notwendigen Standardabweichungen s b1 sowie s b2 : b1 = 42,93

s b1 = 6,195

b2 = -1,89

s b2 = 0,61

Zu fragen ist nun, ob die Stichprobenregressionskoeffizienten bi statistisch gegen Null gesichert sind, d.h. einen Beitrag zur Erklärung der abhängigen Variablen y liefern können (α=0,05). Dazu durchlaufen wir folgende Prüfschritte: Bekannt: b1 = 42,93; s b1 = 6,195; b2 = -1,89; s b2 = 0,61 1.

Schritt: Aufstellung der Hypothesen

H0: β1 = 0 bzw. β2 = 0 (es besteht kein Zusammenhang) HA: β1  0 bzw . β 2  0 2.

Schritt: Festlegung der Prüfgröße

Studentverteilung mit ν = n – 2 Freiheitsgraden und der Prüfgröße t=

b b1 bzw. t = 2 s b1 s b2

3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, so dass sich aus der Tabelle der t-Verteilung für α = 0,05 ein kritischer Wert von tk = 2,306 ergibt. Ist also der Betragswert der Prüfverteilung t > tk, so wird die H0-Hypothese abgelehnt.

182

3 Schließende Statistik

4.

Schritt: Berechnung der Prüfgröße

t=

42,93 b1 = = 6,93 bzw. s b1 6,195

t=

1,89 b2 = -3,1 = s b2 0,61

5.

Schritt: Entscheidung und Interpretation

Da

t

= 6,93 > tk = 2,306 (für b1) bzw.

t

= 3,1 > tk = 2,306 (für b2) wird die H0-

Hypothese jeweils abgelehnt. Bei einer Irrtumswahrscheinlichkeit von 5% kann folglich davon ausgegangen werden, dass eine signifikante Beziehung zwischen den erklärenden Variablen β1/β2 der Grundgesamtheit und der zu erklärenden Variablen y besteht.113 Ein weiteres Verfahren, um feststellen zu können, ob zwischen den erklärenden Variablen der Grundgesamtheit und der zu erklärenden Variablen y ein Zusammenhang besteht, ist ein Testverfahren, das zur Gruppe der F-Tests gehört. Dieser Test, der die Varianzzerlegung des Regressionsansatzes als Mittelpunkt hat, ist gegenüber dem t-Test nur im Falle der Mehrfachregression vorteilhaft, da mit ihm mehrere Regressionskoeffizienten gleichzeitig getestet werden können. Da der F-Test an dieser Stelle nicht zur weiteren Klärung beitragen kann, wird auf die Darstellung verzichtet. 3.6.4.2.3.4

Der χ2-Unabhängigkeitstest

Mit dem Chi-Quadrat-Unabhängigkeitstest lässt sich untersuchen, ob zwei nominal skalierte Merkmale voneinander unabhängig sind oder nicht. Beispiel: 30 Wirtschaftsingenieure (B1), 35 graduierte Betriebswirte (B2) und 35 Diplomkaufleute (B3), die sich bei einem Unternehmen beworben haben, werden nach einem Eignungstest in die Kategorien „geeignet“ und „ungeeignet“ eingeteilt. Die mit dem χ2-Test zu prüfende Frage lautet, ob die Eignung vom Studienabschluss abhängig ist oder nicht. Das Signifikanzniveau soll 5% betragen

Studienabschluss (Bi) Eignung (Ai) geeignet (A1) ungeeignet (A2) ∑ Abbildung 122: χ2-Unabhängigkeitstest I

113

Siehe Fallstudie 79.

B1

B2

B3

∑

14 16 30

10 25 35

16 19 35

40 60 100

3.6 Schätzen und Testen

183

Bevor die Hypothese getestet werden kann, wollen wir uns noch einmal anhand einer Arbeitstabelle mit der Herleitung des χ2-Wertes beschäftigen.114 (Bi)

B1

B2

B3

(Ai) nij

erw

2

nij

erw

2

nij

erw

2

∑

Geeignet Ungeeignet

14 16

12 18

0,33 0,22

10 25

14 21

1,14 0,76

16 19

14 21

0,29 0,19

40 60

∑

30

35

35

100

Abbildung 123: χ2-Unabhängigkeitstest II

Zunächst werden also anhand der Randsummenhäufigkeiten die erwarteten Werte berechnet und im Anschluss in Kombination mit den tatsächlichen Beobachtungswerten nij die χ2Werte. Es ergibt sich eine Summe von: ∑∑ χ2 = 2,93 die zur Überprüfung des Testszenarios herangezogen wird. 1. Schritt: Aufstellung der Hypothesen H0: die beiden Merkmale sind voneinander unabhängig HA: die beiden Merkmale sind voneinander abhängig 2.

Schritt: Festlegung der Prüfgröße

χ 2-Verteilung mit ν = (k-1).(l-1) Freiheitsgraden und der Prüfgröße

 2beob

n n    n ij  i  j   k l n    n i  n  j i 1 j1

2

n

3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen einseitigen Test. Aus der Tabelle der χ 2-Verteilung mit ν = (3-1) . (2-1) = 2 Freiheitsgraden leitet sich der kritische Wert von 5,991 ab. 4.

Schritt: Berechnung der Prüfgröße

χ 2beob = 2,93

114

Vgl. hier das Kapitel zur Kontingenztafel 2.4.5.

184 5.

3 Schließende Statistik Schritt: Entscheidung und Interpretation

Da χ 2beob = 2,937 < χ 2Tabelle = 5,991 wird die H0-Hypothese nicht abgelehnt. Man kann also nicht annehmen, dass zwischen Studienabschluss und Eignung eine Beziehung besteht.115

115

Siehe Fallstudie 80.

4

Fallstudien

116

Fallstudie 1: Häufigkeitsverteilung bei einem qualitativen Merkmal Auf dem Hof eines Gebrauchtwagenhändlers wurden folgende Fahrzeugtypen notiert: Marke Absolute Häufigkeit Mercedes 14 Opel 25 Ford 15 VW 50 Audi 30 BMW 28 Gesamt 162 Geben Sie die relativen Häufigkeiten an und zeichnen das entsprechende Kreis- und Säulendiagramm. Fallstudie 2: Häufigkeitsverteilung bei einem quantitativen Merkmal I Für die 30 Beschäftigten eines Betriebes ermittelte man die folgenden Altersangaben: 39 42 27

17 51 47

25 52 42

29 39 39

67 25 26

58 63 27

16 61 46

19 32 30

30 23 58

55 43 29

Führen Sie eine sinnvolle Gruppierung des Datenmaterials durch und ermitteln Sie die absoluten und relativen Häufigkeiten und Summenhäufigkeiten. Fallstudie 3: Häufigkeitsverteilung bei einem quantitativen Merkmal II Die folgende Tabelle gibt die Anzahl der Privathaushalte in einer Region nach dem Alter des Haushaltsvorstandes an:

116

Für weitere Fallstudien siehe auch Schwarze J., 2008, S. 9ff., Bamberg G./Baur F./Krapp M., 2008, S. 1ff oder Luderer B., 2008, S. 98ff.

186

4 Fallstudien

Alter von…bis 18 – 25 25 – 45 45 – 65 65 – 85 a) b)

Anzahl der HH 1.631 11.938 11.186 8.765

Stellen Sie die Häufigkeitsverteilung für absolute und relative Häufigkeit sowie die Summenfunktion und die empirische Verteilungsfunktion algebraisch dar. Schätzen Sie, wie viel Prozent der Haushalte einen Haushaltsvorstand mit einem Alter zwischen 30 und 55 Jahren haben.

Fallstudie 4: Beziehung zwischen zwei quantitativen Merkmalen Nachfolgend sind die zehn Länder der Europäischen Union mit den größten Nettoeinzahlungen in die EU sowie mit ihrem Pro-Kopf-Einkommen dargestellt. Wie ist die Beziehung zwischen den Merkmalen? Stellen Sie diese anhand eines Streudiagramms dar und interpretieren das Ergebnis. Land Deutschland Großbritannien Niederlande Frankreich Schweden Italien Belgien Österreich Dänemark Luxemburg

Nettoeinzahlungen in Milliarden € 7,65 2,76 1,95 1,91 0,95 0,79 0,77 0,34 0,21 0,06

Pro-KopfEinkommen in € 24.050 26.380 26.570 25.120 25.340 23.890 25.860 26.910 27.190 28.270

Fallstudie 5: Ungewichtetes arithmetisches Mittel und Median Berechnen Sie das arithmetische Mittel sowie den Median für das Werfen eines fairen, d.h. gleichseitigen Würfels. Fallstudie 6: Gewichtetes arithmetisches Mittel, Median und Modus I Ein fairer Würfel wurde 120-mal geworfen. Dabei ergaben sich folgende Werte:

4 Fallstudien Augenzahl (xi) 1 2 3 4 5 6

187 Anzahl (ni) 25 16 11 23 26 19

Berechnen Sie den gewichteten Mittelwert, den Median und den Modus. Fallstudie 7: Gewichtetes arithmetisches Mittel, Median und Modus II Für eine Unternehmung liegt folgende Stundenlohntabelle vor: Lohn von...bis in Euro (xi) 0 – 10 10 – 15 15 – 20 20 – 30 30 – 50

Anzahl (ni) 13 27 21 11 3

Berechnen Sie das gewichtete arithmetische Mittel unter der Annahme einer Gleichverteilung in den Lohngruppen sowie Median und Modus. Fallstudie 8: Geometrisches Mittel I 3 Analysten (Ai) haben die Kursentwicklung einer Aktie für die kommenden drei Jahre (Jahresende) geschätzt. Ausgangspunkt ist ein Wert zu Beginn des ersten Jahres in Höhe von 12,- €. Jahr 1 2 3 a) b) c)

A1 13 14 15

Werte in € A2 9 12 14

A3 14 16 18

Ermitteln Sie für alle Analysten und alle Jahre die Wachstumsfaktoren. Ermitteln Sie die geometrischen Mittel. Interpretieren Sie die Ergebnisse.

Fallstudie 9: Geometrisches Mittel II Herr Meier legt zu Beginn eines Jahres 1.000,- € für 3 Jahre in Wertpapiere an. Dabei hat er 3 Alternativen (Ai) zur Auswahl:

188

4 Fallstudien Zinssatz im Jahr 1 2 3 X% X% X% 3,15 % 8,80 % 11,60 % 7,80 % 7,80 % 7,80 %

A1 A2 A3 a) b) c)

Endvermögen 1.240 €

Ermitteln Sie die jeweiligen Endvermögen. Welche durchschnittliche Verzinsung haben die Alternativen? Für welche Alternative wird sich Herr Meier entscheiden?

Fallstudie 10: Harmonisches Mittel Sie legen in vier aufeinander folgenden Jahren jeweils zum 01. Januar 1.000 Euro in einem Aktienfonds an. Im ersten Jahr erhalten Sie für das Geld 50 Anteile, im zweiten Jahr 40, im dritten Jahr 32 und im vierten Jahr 25 Anteile. Wie teuer war ein Anteil im Durchschnitt? Fallstudie 11: Lageparameter Ein Winzer bietet seinen selbsterzeugten Merlot zum Preis von 6,- € je Flasche und einen Cabernet Sauvignon für 12,- € je Flasche an. a) b) c)

Sie kaufen von jedem Wein die gleiche Anzahl an Flaschen. Sie investieren insgesamt 120,- € jeweils hälftig in beide Weinsorten. Sie kaufen vom Merlot 15 Flaschen und vom Cabernet Sauvignon 12 Flaschen.

Berechnen Sie den jeweiligen Durchschnittspreis und geben Sie an, um welchen Lageparameter es sich jeweils handelt! Fallstudie 12: Varianz und Standardabweichung I Es liegen 2 Reihen von Aktienrenditen in € (AR) für jeweils 10 Jahre vor: AR1 AR2 a) b)

0 5

1 5

3 6

4 6

5 7

6 7

9 8

10 8

12 9

20 9

Berechnen Sie die arithmetischen Mittel. Was fällt Ihnen bei den Werten und den Ergebnissen auf? Berechnen Sie Varianz und Standardabweichung.

Fallstudie 13: Varianz und Standardabweichung II Für n = 100 Würfe mit einem Würfel ermittelte man die folgende Verteilungsfunktion:

4 Fallstudien

189

Augenzahl (xi)

F(x)

1 2 3 4 5 6

0,21 0,38 0,52 0,66 0,85 1,00

Ermitteln Sie Varianz und Standardabweichung. Fallstudie 14: Lage- und Streuungsparameter Die monatlichen Bruttogehälter der Beschäftigten eines mittelständischen Unternehmens sind wie folgt verteilt: Gehaltsgruppe I II III IV a) b) c) d) e)

Bruttogehalt von... bis unter ... 0 – 1.000 € 1.000 – 2.500 € 2.500 – 4.500 € 4.500 – 7.000 €

Anzahl der Beschäftigten 84 96 16 8

Berechnen Sie Modus und Median des Bruttogehaltes. Berechnen Sie das arithmetische Mittel. Berechnen Sie Varianz und Standardabweichung. Der Vertreter des Unternehmensvorstandes behauptet, die monatliche Bruttogehaltssumme betrage 500.000 €. Kann das aufgrund der obigen Verteilung sein? Wie groß ist der prozentuale Anteil derjenigen, die nach der obigen Tabelle zwischen 1.500,- und 4.000,- € verdienen?

Fallstudie 15: Mittlere absolute Abweichung Für n = 100 Würfe mit einem Würfel ermittelte man die folgende Verteilungsfunktion:

190

4 Fallstudien

Augenzahl (xi) 1 2 3 4 5 6

F(x) 0,21 0,38 0,52 0,66 0,85 1,00

Ermitteln Sie die mittlere absolute Abweichung. Fallstudie 16: Variationskoeffizient Für 5 aufeinander folgende Jahre liegen die Preise für jeweils ein kg Zucker und ein kg Kaffee vor. Jahr 1 2 3 4 5

Zuckerpreis in € (xi) 1,09 1,21 1,17 1,02 0,98

Kaffeepreis in € (yi) 10,99 12,39 11,49 10,78 9,98

Bestimmen und interpretieren Sie die beiden Variationskoeffizienten. Fallstudie 17: Indizes I Für zwei Perioden liegen Mengen und Preise für 4 Güter vor. Berechnen Sie aus den folgenden Angaben: Gut A B C D

Periode 0 Menge Preise (Stck.) (in €) 5 55 9 29 3 32 7 78

Periode 1 Menge Preise (Stck.) (in €) 5 60 8 35 4 34 8 82

a) den Paasche- und den Laspeyres-Preisindex b) den Paasche- und den Laspeyres-Mengenindex und c) den Wertindex.

4 Fallstudien

191

d) Um wie viel Prozent ist – gemessen am Laspeyres-Index – das Preisniveau durchschnittlich pro Jahr gestiegen, wenn Sie davon ausgehen, dass die Periode 0 das Jahr 2008 und die Periode 1 das Jahr 2011 ist? Fallstudie 18: Indizes II Nachfolgend ist die Indexreihe für die Preisentwicklung eines Produktes, ausgehend vom Jahr 0 bis 10 dargestellt. Nehmen Sie eine Umbasierung auf das Jahr 6 vor. Jahr 0 1 2 3 4 5 6 7 8 9 10 Index 100 102 104 105 109 121 129 131 139 145 149 Fallstudie 19: Kovarianzanalyse I Gegeben sei die Beziehung zwischen der Anzahl der verkauften Reisen in Tsd. (R) und den Umsätzen in Tsd. € (U) der zurückliegenden 7 Jahre eines Reisebüros. Jahr R U

1 200 470

2 250 630

3 300 640

4 280 630

5 350 790

6 400 930

7 425 950

Ermitteln und interpretieren Sie die Kovarianz. Fallstudie 20: Kovarianzanalyse II Gegeben sind die Steuereinnahmen des Bundes (S) sowie die Neuverschuldung des Staates (N) der letzten 5 Jahre (in Mrd. €). Wie lautet die Kovarianz und welche Implikationen kann man aufgrund dessen möglicherweise vermuten? Jahr N S

1 23,8 198,8

2 22,8 193,8

3 31,9 192,0

4 38,6 191,9

5 39,5 187,0

Fallstudie 21: Korrelationskoeffizient nach Bravais-Person für ungruppierte Daten I Gegeben sei die Beziehung zwischen der Anzahl der verkauften Reisen in Tsd. (R) und den Umsätzen in Tsd. € (U) der zurückliegenden 7 Jahre eines Reisebüros. Jahr R U

1 200 470

2 250 630

3 300 640

4 280 630

5 350 790

6 400 930

7 425 950

Berechnen Sie den Korrelationskoeffizienten und interpretieren Sie das Ergebnis.

192

4 Fallstudien

Fallstudie 22: Korrelationskoeffizient nach Bravais-Person für ungruppierte Daten II Gegeben sind die Steuereinnahmen des Bundes (S) sowie die Neuverschuldung des Staates (N) der letzten 5 Jahre (in Mrd. €). Berechnen und interpretieren Sie den Korrelationskoeffizienten. Jahr N S

1 23,8 198,8

2 22,8 193,8

3 31,9 192,0

4 38,6 191,9

5 39,5 187,0

Fallstudie 23: Korrelationskoeffizient nach Bravais-Person für gruppierte Daten In nachstehender Tabelle sind die Noten der Bachelorvorprüfung und Bachelorprüfung sowie Häufigkeiten von 32 Aalener Studenten abgetragen (Beispiel: 3 Studenten hatten eine 1 als Bachelorendnote und eine 2 als Durchschnittsnote in der Bachelorvorprüfung): Bachelor Vorprüfung 1 2 3 4

1

2

3

4

3 3 1 0

0 8 2 1

0 2 7 2

0 0 2 1

Ermitteln Sie den Korrelationskoeffizienten und interpretieren Sie das Ergebnis. Fallstudie 24: Korrelationskoeffizient nach Spearman I Ein Sportartikelhersteller hat die 10 aktuellen Laufschuhe der Sommerkollektion nach den Eigenschaften Tragekomfort und Wettkampfeignung testen lassen. Dabei konnten die Noten 1 (sehr gut) bis 5 (mangelhaft) vergeben werden. Folgende Tabelle zeigt das Testergebnis: Schuh 1 2 3 4 5 6 7 8 9 10

Tragekomfort 1 3 4 5 2 1 2 4 2 2

Wettkampfeignung 4 3 1 1 4 5 2 2 3 4

4 Fallstudien

193

Überführen Sie die Testergebnisse in entsprechende Ränge und bestimmen den Rangkorrelationskoeffizient nach Spearman. Wie ist das Ergebnis zu interpretieren? Fallstudie 25: Korrelationskoeffizienten Für 8 Personen sind die Einkommen (E) und die Konsumausgaben (K) gegeben (jeweils in €): Person E K

1 800 500

2 3 4 1.000 1.200 1.000 700 800 650

5 700 450

6 7 8 2.000 1.800 2.000 900 900 900

Berechnen Sie anhand der Werte: a) den Korrelationskoeffizient nach Bravais-Pearson b) den Rangkorrelationskoeffizient nach Spearman. Fallstudie 26: Einfache Regression I Gegeben sei die Beziehung zwischen der Anzahl der verkauften Reisen in Tsd. (R) und den Umsätzen in Tsd. € (U) für die Jahre 2004 bis 2010 in einem Reisebüro. Jahr R U

2004 200 470

2005 250 630

2006 300 640

2007 280 630

2008 350 790

2009 400 930

2010 425 950

a) Der Reisebüroleiter geht davon aus, dass die Umsatzerlöse von der Anzahl der Reisen abhängig sind und schätzt dies mittels der linearen Regression. b) Beurteilen Sie die Güte der Regression. c) Sie sollen dem Reisebüroleiter eine Umsatzprognose für 2011 abgeben für den Fall, dass das Reisebüro 500 Tsd. Reisen verkauft. Fallstudie 27: Einfache Regression II Gegeben sind die Steuereinnahmen des Bundes (S) sowie die Neuverschuldung des Staates (N) für die Jahre 2006 bis 2010 (in Mrd. €). Der Finanzminister vermutet, dass die Neuverschuldung eine negative Funktion der Steuereinnahmen ist, d.h. je niedriger die Steuereinnahmen, desto höher die Neuverschuldung. Jahr N S

2006 23,8 198,8

2007 22,8 193,8

2008 31,9 192,0

2009 38,6 191,9

2010 39,5 187,0

a) Untersuchen Sie die Vermutung des Finanzministers. b) Beurteilen Sie die Güte der Regression.

194

4 Fallstudien

c) Sie sollen eine Schätzung für die Nettoneuverschuldung liefern für den Fall, dass die Steuereinnahmen auf 180 Mrd. € absinken. Fallstudie 28: Multiple Regression I Es wird unterstellt, dass die privaten Konsumausgaben Cpriv von dem Bruttoinlandsprodukt BIP und den Nettolöhnen/Nettogehältern Lnetto (Angaben jeweils in Bio. €) abhängig ist. Diese Beziehung soll durch die vorliegenden 10 Jahre getestet werden. Jahr Cpriv BIP Lnetto ( y i ) (x2i) (x3i) 1 2 3 4 5 6 7 8 9 10

0,85 0,91 0,95 0,98 1,02 1,05 1,08 1,11 1,15 1,19

1,50 1,61 1,65 1,73 1,80 1,83 1,87 1,92 1,97 2,03

0,48 0,51 0,52 0,52 0,53 0,52 0,51 0,53 0,54 0,57

Erstellen Sie den Regressionsansatz und das Bestimmtheitsmaß und interpretieren das Ergebnis. Fallstudie 29: Multiple Regression II In einem Unternehmen werden zwei Produkte (Angaben in 100 Einheiten) hergestellt. Zu unterschiedlichen Ausbringungsmengen seien folgende Kosten (Angaben in 10.000 €) ermittelt worden: Kosten (K) 11 17 20 22 27

Produkt 1 (P1) 3 7 8 9 11

Produkt 2 (P2) 2 5 7 8 10

Ihre Aufgabe besteht darin, die Kosten bei einer Ausbringungsmenge von P1 = 15 und P2 = 13 zu schätzen (auf die Ermittlung des Bestimmtheitsmaßes kann verzichtet werden).

4 Fallstudien

195

Fallstudie 30: Kontingenztafel I Drei Maschinen M1, M2 und M3 produzieren Kunststoffteile für Autos, die am Ende geprüft werden, ob sie in Ordnung sind (Kategorie B1) oder Mängel aufweisen (Kategorie B2). Es ergibt sich dabei die folgende Kontingenztafel: Maschine M1 M2 M3 Qualität B1 27 39 41 B2 5 26 2 a) Berechnen Sie χ2 (Chi-Quadrat) b) Berechnen Sie das Tschuprow-Maß und interpretieren das Ergebnis Fallstudie 31: Kontingenztafel II Von 100 Personen, die beim Arbeitsamt als arbeitssuchend gemeldet waren, hatten 61 keine Ausbildung, 23 eine Berufsausbildung, 11 eine Berufsausbildung mit Zusatzqualifikationen und 5 ein abgeschlossenes Studium. Innerhalb dieser Gruppen wurde eine Unterscheidung in die Zeitdauer der Arbeitslosigkeit unternommen. Von den 61 Personen ohne Ausbildung waren 41 lang-, 15 mittel- und 5 Personen kurzzeitarbeitslos. Die 23 Personen mit Berufsausbildung unterteilten sich in 5 Lang-, 11 Mittel- und 7 Kurzzeitarbeitslose. Von den 11 Personen, die Zusatzqualifikationen zur Berufserfahrung nachweisen konnten, war lediglich 1 Person langzeitarbeitslos, während jeweils 5 Personen seit kurzer bzw. mittellanger Zeit keine Arbeit hatten. Schließlich war von den 5 Personen mit abgeschlossenem Studium eine Person mittelfristig und die restlichen 4 erst seit kurzer Zeit ohne Arbeit. Bestimmen Sie mit Hilfe des χ2-Testes und des Tschuprow-Maßes die Beziehung zwischen dem Ausbildungsstand und der Dauer der Arbeitslosigkeit. Fallstudie 32: Zeitreihenanalyse I Führen Sie für folgende Arbeitslosenstatistik eines Kreises (Arbeitslose in Tsd.) eine Saisonbereinigung durch. Jahr Intervall AL

I 25

1 II 31

III 51

I 28

2 II 48

III 59

I 37

3 II 47

III 52

I 35

4 II 40

III 61

Fallstudie 33: Zeitreihenanalyse II Analysieren Sie die folgende Reihe von Umsatzquartalsdaten (yt in Mio. €), indem Sie eine Saisonbereinigung durchführen. Prognostizieren Sie dabei auch die jeweiligen beiden Randglieder. Stellen Sie anschließend die Originalzeitreihe und die saisonbereinigte Reihe graphisch dar und erläutern das Ergebnis.

196

4 Fallstudien

Zeit yt

1 25

2 31

3 24

4 51

5 28

6 48

7 35

8 59

9 37

10 47

11 38

12 52

Fallstudie 34: Venn-Diagramm Beim Werfen eines idealen Würfels werden die beiden Ereignisse A und B wie folgt definiert: A = gerade Augenzahl und B = Augenzahl > 4 Bestimmen Sie: Ω, A  B , A  B , A│B, B│A, A  B A und B . Fallstudie 35: Wahrscheinlichkeiten I Zwei Würfel werden geworfen. Definieren Sie aufgrund des Ereignisraumes die Wahrscheinlichkeiten für die Augenzahlen von 2 bis 12. Fallstudie 36: Wahrscheinlichkeiten II Wie groß ist die Wahrscheinlichkeit folgender Ereignisse? a) b) c) d)

Ungerade Zahl beim Wurf eines idealen Würfels, mindestens einmal Wappen beim zweimaligen Wurf einer Münze, Summe 7 beim Wurf zweier Würfel und Summe 3 beim Wurf dreier Würfel.

Fallstudie 37: Wahrscheinlichkeiten III Eine Münze wird 3x geworfen. Wie groß ist die Wahrscheinlichkeit folgender Ereignisse? a) b) c)

Genau einmal Wappen oder genau einmal Zahl, mindestens einmal Wappen oder höchstens zweimal Zahl und mindestens einmal Wappen und genau zweimal Zahl.

Fallstudie 38: Wahrscheinlichkeiten IV Eine Urne enthält 6 schwarze, 5 rote und 4 weiße Kugeln. Sie ziehen eine Kugel. Wie groß ist die Wahrscheinlichkeit, dass die gezogene Kugel a) b) c)

schwarz? nicht rot bzw. weiß oder rot ist?

Sie ziehen zwei Kugeln mit Zurücklegen. Wie groß ist die Wahrscheinlichkeit, dass in der Stichprobe d) e) f)

keine schwarze Kugel mindestens eine rote Kugel höchstens eine weiße Kugel ist?

4 Fallstudien

197

Sie ziehen drei Kugeln ohne Zurücklegen. Wie groß ist die Wahrscheinlichkeit, dass in der Stichprobe g) h) i)

alle Kugeln von der gleichen Farbe sind? genau eine Kugel weiß ist? keine Kugel schwarz ist?

Fallstudie 39: Bayes-Theorem I In einem Betrieb, der die beiden Niederlassungen A1 und A2 hat, werden Lampen produziert. In Niederlassung A1 werden 30% und in Niederlassung A2 70% der Gesamtproduktion erzeugt. In A1 sind 60% der Lampen normgerecht, d.h. 40% sind defekt, in A2 entsprechen 80% der Norm, 20% sind also defekt. a) b) c) d)

Zeichnen Sie alle relevanten Pfade mit zugehörigen Wahrscheinlichkeiten Wie groß ist die Wahrscheinlichkeit, dass eine defekte Lampe aus Niederlassung A1 stammt? Wie groß ist die Wahrscheinlichkeit, dass eine normgerechte Lampe aus Niederlassung A2 stammt? Wie groß ist die Wahrscheinlichkeit, aus dem Gesamtbetrieb eine normgerechte bzw. defekte Lampe zu beziehen?

Fallstudie 40: Bayes-Theorem II Ein Test zur Krebsfrüherkennung zeigt eine Zuverlässigkeit von 99%, d.h. wenn eine Person erkrankt ist, zeigt der Test dies mit einer Wahrscheinlichkeit von 0,99 auch an. Andererseits werden aber auch fälschlicherweise 2% der gesunden Personen als krank klassifiziert (Test „positiv“). Eine Testperson gehört zu einer Altersgruppe, in der 0,5% krank sind. Das Testergebnis zu der Person lautet „positiv“. Wie groß ist die Wahrscheinlichkeit, dass die Testperson tatsächlich krank ist? Fallstudie 41: Kombinatorik Lösen Sie nachfolgende Fragestellungen im Rahmen der Kombinatorik: a) b) c) d) e)

Jemand hat die aus massivem Gold hergestellten Ziffern 1, 9, 6 und 2 geerbt und möchte sich daraus ein Schmuckstück herstellen. Wie viele verschiedene vierstellige Zahlen kann er bilden? Jemand hat die aus massivem Gold hergestellten Ziffern 1, 9, 6 und 1 geerbt und möchte sich daraus ein Schmuckstück herstellen. Wie viele verschiedene vierstellige Zahlen kann er bilden? Bei einem Pferderennen mit den sechs Pferden A, B, C, D, E und F sollen Sieger und Zweitplazierter vorausgesagt werden. Wie viele Vorhersagen gibt es? Von fünf Zechen A, B, C, D und E sind zeitgleich zwei stillzulegen. Wie viele Möglichkeiten gibt es? Ein Zigarettenautomat hat 6 Fächer, kann also mit höchstens 6 verschiedenen Sorten gefüllt werden. Insgesamt hat der Händler 10 verschiedene Sorten zur Verfügung. Wie

198

4 Fallstudien viele verschiedene Möglichkeiten gibt es, den Automaten zu füllen? Dabei ist es gleichgültig, in welches Fach eine spezielle Sorte eingelegt wird. Es können auch mehrere Fächer mit der gleichen Sorte belegt werden. Bei einem Kombinationsschloss sind die einzelnen Einstellungen durch 3-ziffrige Zahlen mit Ziffern aus 1 bis 9 möglich. Berechnen Sie die Anzahl der möglichen Einstellungen.

f)

Fallstudie 42: Binomialverteilung I Eine Maschine produziert Bleistifte. Dabei fallen 20% Ausschuss an. Wie groß ist die Wahrscheinlichkeit, dass von 4 zufällig ausgewählten Bleistiften a) b) c) d) e)

kein Bleistift, ein Bleistift, höchstens zwei Bleistifte bzw. mindestens drei Bleistifte Ausschussware sind? Bestimmen Sie Erwartungswert und Varianz und interpretieren das Ergebnis.

Fallstudie 43: Binomialverteilung II Der Hersteller von Spezialwerkzeugen garantiert, dass höchstens 5% der gelieferten Produkte Mängel aufweisen. a)

Als Abnehmer entnehmen Sie einer Lieferung eine Stichprobe vom Umfang 10. Sie schicken die Lieferung dann zurück, wenn mehr als ein Produkt Mängel hat. Wie groß ist die Wahrscheinlichkeit der Rücksendung? Bestimmen Sie Erwartungswert und Varianz. Angenommen, die Lieferung enthält eine Losgröße von 15 Stück. Wie groß ist die Wahrscheinlichkeit, dass höchstens ein Produkt einen Fehler hat?

b) c)

Fallstudie 44: Binomialverteilung III – Spieltheorie Der Statistikdozent bietet seinen Studenten ein Spiel an. Einer der Studenten darf einen der folgenden farbigen Würfel (gelb, grün, blau, rot) ziehen, anschließend wählt der Statistikdozent seinerseits einen Würfel aus den verbleibenden aus. 4 0

0

5 4

4

1

5

2 1

1

6

6

3 2

4

5

2

gelb

grün

blau

2

3

3

3

3

3 rot

Dann wird 11x gegeneinander gewürfelt, wobei derjenige gewinnt, der die meisten Einzelspiele (also mindestens 6) gewonnen hat. Welche Strategie wird der Statistikdozent auswählen und wie hoch ist sein Risiko?

4 Fallstudien

199

Fallstudie 45: Hypergeometrische Verteilung I Von den sechs Rettichen, die eine Marktfrau auf dem Wochenmarkt verkauft, sind drei holzig. a) b)

Ein Student sucht sich 2 Rettiche aus und möchte wissen, wie groß die Wahrscheinlichkeit dafür ist, keinen holzigen zu erwischen? Wie lauten Erwartungswert und Varianz und wie sind die Parameter zu interpretieren?

Fallstudie 46: Hypergeometrische Verteilung II Ein Großmarkt erhält eine Lieferung von 60 Personalcomputern. Aufgrund von Erfahrungswerten geht man davon aus, dass von den gelieferten PCs 20% defekt sind. Der Lieferung wird nun eine Stichprobe vom Umfang 10 entnommen. a) b) c) d)

Wie groß ist die Wahrscheinlichkeit, dass von der Stichprobe genau 2 PCs defekt sind? Wie groß ist die Wahrscheinlichkeit, dass höchstens 2 Teile defekt sind? Wie groß ist die Wahrscheinlichkeit, dass mindestens ein Teil defekt ist? Wie groß sind Erwartungswert und Varianz der Verteilung?

Fallstudie 47: Hypergeometrische Verteilung III – Spieltheorie Wie groß ist die Wahrscheinlichkeit, im Lotto zu gewinnen? Fallstudie 48: Poissonverteilung I117 Ein großer Konzern bietet über einen Callcenter für seine Kunden in Norddeutschland eine Hotline an. An Werktagen rufen zwischen 20.00 und 21.00 Uhr durchschnittlich 3 Kunden an. Die Hotline ist so besetzt, dass sie in diesem Zeitraum 5 Anrufe entgegennehmen kann. a) b)

Wie groß ist die Wahrscheinlichkeit, dass in dieser Zeitspanne 3 Kunden anrufen? Wie groß ist die Wahrscheinlichkeit, dass die Hotline überlastet ist?

Der gleiche Konzern hat bei einem anderen Callcenter für seine Kunden in Süddeutschland eine Hotline eingerichtet, wo an Werktagen zwischen 20.00 und 21.00 Uhr durchschnittlich 4 Anrufe eingehen. Die Hotline könnte in diesem Zeitraum ebenfalls 5 Anrufe entgegennehmen. c) d) e)

117

Wie groß ist die Wahrscheinlichkeit, dass in dieser Zeitspanne 4 Kunden anrufen? Wie groß ist hier die Wahrscheinlichkeit der Überlastung? Könnte durch die Zusammenlegung der beiden Hotlines die Wahrscheinlichkeit der Überlastung gesenkt werden?

Benutzen Sie ggfs. die Tabelle im Anhang unter 8.2.

200

4 Fallstudien

Fallstudie 49: Poissonverteilung II Die sieben Lagerdisponenten A, B, C, D, E, F und G können stündlich jeweils 2 Aufträge ausführen. A bis E sind firmenintern, F und G für externe Aufträge zuständig. Durchschnittlich fallen während einer Stunde 6 interne und 2 externe Aufträge an. a) b) c)

Wie groß ist die Wahrscheinlichkeit, dass während einer beliebigen Stunde genau 8 interne Aufträge eintreffen? Wie groß ist die Wahrscheinlichkeit, dass während einer beliebigen Stunde nicht alle eintreffenden externen Aufträge ausgeführt werden können? Die Wahrscheinlichkeit, dass während einer beliebigen Stunde nicht alle internen und/oder externen Aufträge ausgeführt werden können, beträgt 9,3%. Wie verändert sich diese Wahrscheinlichkeit, wenn Disponent G in Rente geht und die verbleibenden Disponenten jetzt sowohl für interne als auch für externe Aufgaben zuständig sind?

Fallstudie 50: Multinomialverteilung I Ein Unternehmen produziert Zuchtchampignons und liefert diese in Dosen I., II. oder III. Qualität. Die Wahrscheinlichkeiten für die einzelnen Qualitätsstufen betragen bei dem eingesetzten Produktionsverfahren 70%, 20% und 10%. Wie groß ist die Wahrscheinlichkeit, dass von 8 zufällig ausgewählten Dosen, 4 zur I. Wahl, 3 zur II. Wahl und eine zur III. Wahl gehören? Fallstudie 51: Multinomialverteilung II Ein Unternehmen produziert Zuchtchampignons und liefert diese in Dosen I., II. oder III. Qualität. Die Wahrscheinlichkeiten für die einzelnen Qualitätsstufen betragen bei dem eingesetzten Produktionsverfahren 70%, 20% und 10%. Einer Grundgesamtheit von 50 Stück werden (ohne Zurücklegen) 8 Dosen entnommen. Wie groß ist die Wahrscheinlichkeit, dass 4 zur I. Wahl, 3 zur II. Wahl und eine zur III. Wahl gehören? Fallstudie 52: Standardnormalverteilung I Der Umsatzerlös eines Unternehmens sei normalverteilt mit Mittelwert  = 10 Mio. € und der Standardabweichung  = 2 Mio. €. Wie groß ist die Wahrscheinlichkeit, dass das Unternehmen einen Umsatzerlös von a) b) c) d)

höchstens 13 Mio. €, mindestens 9 Mio. €, zwischen 8 und 12 Mio. € bzw. zwischen 9 und 13 Mio. € erzielt?

Fallstudie 53: Standardnormalverteilung II Bei einer Firma ist die Zeit zwischen Auftragseingang und Auslieferung der Ware erfahrungsgemäß normalverteilt mit einem Mittelwert von 15 und einer Varianz von 4 Arbeitstagen. Bei wie viel Prozent der Aufträge a)

liegt diese Zahl unter 12,5 Tagen bzw.

4 Fallstudien b) c)

201

liegt sie über 19 Tagen? In welchem Bereich liegt die Zeit in 95% der Fälle?

Fallstudie 54: Gleichverteilung Die Geschäftsleitung eines Unternehmens geht davon aus, dass sich die Eigenkapitalrentabilität im neuen Jahr ohne entsprechende Maßnahmen zwischen 8 und 15% bewegen wird. Angaben zur Eintrittswahrscheinlichkeit liegen nicht vor, so dass von einer Gleichverteilung ausgegangen werden muss. a) Definieren Sie die Dichtefunktion. b) Geben Sie die zugehörige Verteilungsfunktion an. c) Wie groß ist die Wahrscheinlichkeit, dass die Eigenkapitalrentabilität höchstens 10% (mindestens 12%) beträgt? d) Geben Sie den Erwartungswert und die Varianz an. Fallstudie 55: Dreiecksverteilung Ein Werksleiter erklärt seinem Vorgesetzten, dass sich die Kosten für die Erzeugung eines neuen Produktes wahrscheinlich auf 1.200,- € belaufen werden. Unter optimalen Voraussetzungen könne man von 900,- €, im schlimmsten Fall von 1.700,- € ausgehen. Die Fragestellung lässt den Schluss zu, dass die Berechnung von Wahrscheinlichkeiten offensichtlich mit der Dreiecksverteilung erfolgen sollte. a) Definieren Sie die Dichtefunktion. b) Leiten Sie die allgemeine Verteilungsfunktion ab. c) Wie groß ist die Wahrscheinlichkeit, dass die Kosten des neuen Produktes maximal 1.200,- € betragen? d) Wie groß ist die Wahrscheinlichkeit, dass die Kosten zwischen 1.000,- € und 1.300,- € liegen? e) Bestimmen Sie Erwartungswert und Varianz! Fallstudie 56: Exponentialverteilung Im Rahmen der Qualitätssicherung eines Betriebes soll die Zuverlässigkeit der produzierten Kühlschränke kontrolliert werden. Es stellt sich heraus, dass durchschnittlich pro Tag 8 Promille der produzierten Geräte ausfallen. a) b) c) d)

Definieren Sie die Dichte- und die Verteilungsfunktion. Wie groß ist die Wahrscheinlichkeit, dass die Kühlschränke innerhalb der ersten 15 Tage ausfallen? Wie groß ist die Wahrscheinlichkeit, dass die Kühlschränke eine Lebensdauer von mindestens 130 Tage haben? Wie lauten Erwartungswert und Varianz und wie ist die Interpretation dieser Parameter?

202

4 Fallstudien

Fallstudie 57: Approximation I Ein Unternehmen führt ein Assesmentcenter durch, bei dem im ersten Schritt 50 MultipleChoice-Aufgaben zu lösen sind. Für jede Aufgabe sind 4 mögliche Antworten vorgegeben, von denen jeweils nur eine richtig ist. Die Klausur ist bestanden, wenn mindestens 20 Aufgaben richtig beantwortet sind. Wie groß ist die Wahrscheinlichkeit, dass ein Teilnehmer den Test besteht, indem er willkürlich die Aufgaben ankreuzt? Fallstudie 58: Approximation II Von einer PKW-Produktionsstraße, auf der 100 PKW gleichen Typs produziert wurden, werden (ohne Zurücklegen) 5 PKW kontrolliert. Man weiß aus Erfahrung, dass insgesamt 30 PKW fehlerbehaftet sind. Wie groß ist die Wahrscheinlichkeit, dass in der Stichprobe höchstens 2 fehlerbehaftete PKW sind? Fallstudie 59: Approximation III In einem Versandhaus treffen zwischen 10.00 und 11.00 Uhr durchschnittlich 90 telefonische Bestellungen ein. Wie groß ist die Wahrscheinlichkeit, dass an einem beliebigen Tag zwischen 10.00 und 11.00 Uhr mindestens 100 Bestellungen eingehen? Fallstudie 60: Schätzen I Ein großer Automobilkonzern plant die Einführung eines neuen PKW-Typs, der besonders energiesparend sein soll. In der dritten Testphase werden 30 PKW dieser neuen Generation mit jeweils 5 Liter Kraftstoff betankt. Mit dieser Füllung legten sie im Durchschnitt 93 km bei einer aus den ersten beiden Testphasen bereits bekannten Standardabweichung von σ = 5 km zurück. a) b) c)

Bestimmen Sie ein 95%-Konfidenzintervall für die durchschnittliche Kilometerleistung μ dieses PKW-Typs. Bestimmen Sie ein 99%-Konfidenzintervall für die durchschnittliche Kilometerleistung μ dieses PKW-Typs. Welche Konsequenz hätte es für das 95%-Konfidenzintervall (Teilaufgabe a), wenn der Stichprobenumfang 60 PKW betragen hätte?

Fallstudie 61: Schätzen II Zur Überprüfung des Durchschnittseinkommens von 1.000 Haushalten werden 28 Haushalte zufällig ausgewählt. Es ergab sich folgende Stichprobe: Häufigkeit Einkommen in €

2 1.000

3 1.500

7 1.800

11 2.800

5 3.200

Das „wahre“ Durchschnittseinkommen ist mit einer Sicherheit von 95% zu schätzen

4 Fallstudien

203

Fallstudie 62: Schätzen III Aus der Tagesproduktion einer Niederlassung, bestehend aus 45.000 Produkten, wurde eine Stichprobe von 188 Stück gezogen. Davon erwiesen sich 47 als fehlerhaft. Berechnen Sie das 95,45%-Konfidenzintervall für den Anteil der fehlerhaften Produkte in der Grundgesamtheit. Fallstudie 63: Schätzen IV Der Hersteller von Winterreifen überprüft aus zwei Losgrößen die Lebensdauer seiner Produkte. Die erste Losgröße liefert bei 100 untersuchten Reifen eine durchschnittliche Lebensdauer von 38.000 km bei einer Varianz von 49.000.000. Aus der zweiten Losgröße werden 85 Reifen entnommen, deren durchschnittliche Lebensdauer bei 35.500 km lag. Die Varianz betrug hier 56.250.000. Wie lautet das 99%-Konfidenzintervall für die Differenz der arithmetischen Mittel der Grundgesamtheit? Fallstudie 64: Schätzen V In einer Zufallsstichprobe von 400 männlichen Probanden konnten 140 Personen Markenartikel den sie bewerbenden Fussballstars zuordnen. Unter 450 weiblichen Probanden lag der Wiedererkennungswert bei 108 Personen. Bestimmen Sie das 95%-Konfidenzintervall für die Differenz der Anteilswerte der Grundgesamtheit. Fallstudie 65: Schätzen VI Zwei Maschinen (Mi) eines Betriebes, die beide ein identisches Produkt erzeugen, werden auf ihre Zuverlässigkeit hin überprüft. Bei M1 handelt es sich um die ältere ausgereiftere Maschine, während M2 eine Neuanschaffung ist, die eine deutlich höhere Maximalproduktion erlaubt, allerdings um den Preis von längeren Wartungszeiten. Für 11 aufeinander folgende Tage wurde jeweils die Tagesproduktion ermittelt (Angaben in Tonnen): M1 M2

5,0 5,7

4,8 3,9

5,2 4,9

5,4 7,1

5,0 7,5

5,1 2,1

4,7 5,1

4,9 6,2

5,3 4,1

5,0 3,5

4,6 4,9

Stellen Sie das 95%-Konfidenzintervall für den Quotienten der beiden Varianzen der Grundgesamtheit auf. Fallstudie 66: Schätzen VII Ein Unternehmen will den Zusammenhang zwischen Jahresumsatz und Ladenverkaufsfläche untersuchen. Man vermutet eine Abhängigkeit des Jahresumsatzes von der Verkaufsfläche. In einem Jahr liefern die angegliederten 12 Filialen folgende Daten:

204

4 Fallstudien

Filiale 1 2 3 4 5 6 7 8 9 10 11 12

Verkaufsfläche in Tsd. m2 0,31 0,98 1,21 1,29 1,12 1,49 0,78 0,94 1,29 0,48 0,24 0,55

Jahresumsatz in Mio. € 2,93 5,27 6,85 7,01 7,02 8,35 4,33 5,77 7,68 3,16 1,52 3,15

Geben Sie auf dem 95%-Niveau die Konfidenzintervalle für die beiden Regressionsparameter der Grundgesamtheit β1 und β2 an. Fallstudie 67: Schätzen VIII Ein Meinungsforschungsinstitut möchte eine Untersuchung zum durchschnittlichen verfügbaren Einkommen/Jahr der Bundesbürger durchführen. Da man die Untersuchung in der Vergangenheit bereits mehrfach vornahm, kann man die Standardabweichung in der Grundgesamtheit mit 1.800,- € angeben. a)

Wie groß müsste der Stichprobenumfang n gewählt werden, wenn die Fehlermarge 180,- € und das Konfidenzintervall 95% betragen soll?

Das gleiche Meinungsforschungsinstitut möchte ermitteln, mit welchem Stimmenanteil eine Partei rechnen könnte, wenn am nächsten Sonntag Bundestagswahl wäre. Bei der letzten Wahl verzeichnete die Partei einen Stimmenanteil von 30%. b)

Wie viele Personen müssten in eine Befragung einbezogen werden, wenn die Genauigkeit der Schätzung bei einem Konfidenzniveau von 90% bei +/- 5% liegen soll?

Fallstudie 68: Value at Risk I Ein Unternehmen möchte Stühle produzieren und hat bzgl. der Absatzmengen folgende Prognose: Stückzahl Wahrscheinlichkeit

25.000 8%

30.000 12%

35.000 30%

40.000 30%

45.000 12%

50.000 8%

4 Fallstudien

205

Der Stückdeckungsbeitrag beträgt 15,- €, die Fixkosten belaufen sich auf 500.000 €. Berechnen Sie anhand der sich ergebenden Gewinnsituationen den Value at Risk auf dem 95%Niveau. Die Unternehmensleitung wird die Stühle nur dann produzieren, wenn der Value at Risk einen Verlust von 100.000 € nicht übersteigt. Wie wird die Entscheidung ausfallen? Fallstudie 69: Value at Risk II Eine Venture Capital Gesellschaft hat 5 Mio. € in eine Start Up-Unternehmung investiert und erwartet eine jährliche Rendite von 8%. Wie hoch ist das Risiko, dass die VC-Gesellschaft eine Rendite von weniger als 300.000 € erwirtschaftet unter der Annahme, dass die Standardabweichung 18% beträgt? Fallstudie 70: Testen I Das durchschnittliche Gewicht von holländischen Salatgurken lag in der Vergangenheit bei μ = 870g bei einer Standardabweichung von σ = 85 g. Nachdem nun ein neues Düngemittel eingesetzt wurde, das das Wasser noch besser als bisher in der Gurke bindet, lieferte eine Stichprobe vom Umfang n = 71 ein Durchschnittsgewicht von 876g. Kann man aufgrund dieses Stichprobenergebnisses bei einem Signifikanzniveau von α = 0,01 darauf schließen, dass sich durch das neue Düngemittel das Durchschnittsgewicht signifikant erhöht hat? Es wird davon ausgegangen, dass die Standardabweichung σ konstant geblieben ist. Fallstudie 71: Testen II Der Produzent von Speisekartoffeln behauptet, dass die von ihm abgefüllten Beutel 2 kg Speisekartoffel beinhalten. Sie haben eine Lieferung erhalten und ziehen eine Stichprobe vom Umfang n = 30. Diese ergab ein durchschnittliches Füllgewicht von 1,93 kg bei einer Standardabweichung s von 0,25 kg. Testen Sie die Behauptung des Produzenten auf dem 5%-Signifikanzniveau und entscheiden Sie, ob Sie die Lieferung zurückschicken. Fallstudie 72: Testen III Eine Maschine arbeitete in der Vergangenheit mit einem Ausschussanteil von 24%. Nach einer Generalüberholung soll geprüft werden, ob der Ausschussanteil gesenkt wurde. In einer Stichprobe vom Umfang 300 waren 66 fehlerhaft. a)

Kann daraus gefolgert werden, dass der Ausschussanteil tatsächlich gesunken ist (Signifikanzniveau =1%)?

b)

Wie groß hätte, absolut gesehen, der Ausschuss maximal sein dürfen, um eine signifikante Verbesserung zu attestieren?

Fallstudie 73: Testen IV Ein Händler bezieht von zwei Herstellern Halogenlampen. Zur Prüfung, ob die Brenndauer beider Fabrikate gleich ist, untersucht er von A 35 Stück, die eine mittlere Brenndauer von 41,5 bei einer mittleren Abweichung von 4,21 Stunden zeigen. Bei B haben 40 untersuchte Lampen eine durchschnittliche Brenndauer von 44,8 bei einer durchschnittlichen Abwei-

206

4 Fallstudien

chung von 4,62 Stunden. Kann bei einer 1% Irrtumswahrscheinlichkeit auf einen signifikanten Unterschied zwischen den beiden arithmetischen Mitteln geschlossen werden? Fallstudie 74: Testen V Ein inländisches Unternehmen hat die Wahl zwischen zwei Importeuren, die einen identischen und für das Unternehmen sehr wichtigen Rohstoff liefern. Anhand einer Stichprobe wird untersucht, ob der Anteil der unbrauchbaren Rohstoffe signifikant voneinander abweicht. Vom ersten Importeur wird eine Stichprobe von 180 Stück genommen, wovon 36 Stück unbrauchbar waren. Die Stichprobe vom zweiten Importeur hatte einen Umfang von 150 Stück, wobei der Ausschussanteil 12% betrug. Testen Sie bei einer Irrtumswahrscheinlichkeit von 5%, ob es einen signifikanten Unterschied zwischen den beiden Lieferanten gibt. Fallstudie 75: Testen VI Die Gewerkschaftsvertreter behaupten, dass zwischen den beiden Betrieben A und B eine sehr starke Ungleichverteilung bei den Einkommen vorliegt. Sie machen dies an den folgenden Stundenlöhnen der Betriebe (Stichprobe) fest und behaupten, dass die Varianz bei Betrieb A höher ist als bei Betrieb B. Haben die Gewerkschaftsvertreter bei einer Irrtumswahrscheinlichkeit von α = 0,05 Recht? 8,23 6,14

Stichprobe der Stundenlöhne A (in €) 13,94 18,24 13,71 10,20 16,28 7,57 7,11 10,24

10,24 11,10

Stichprobe der Stundenlöhne B (in €) 10,91 10,24 13,71 10,20 12,41 11,00 11,61 10,24

Fallstudie 76: Testen VII Zu insgesamt 118 mittelständischen Unternehmen wurde deren Marktkapitalisierung ermittelt. Marktkapitalisierung in Mio. € von - bis 0 – 200 200 – 400 400 – 600 600 – 800 800 – 1.000

Anzahl

42 38 18 14 6

4 Fallstudien

207

Die durchschnittliche Marktkapitalisierung aller 118 Unternehmen betrug 337,29 Mio. € bei einer Standardabweichung von 237,14 Mio. €. Folgt diese Struktur einer Standardnormalverteilung (Irrtumswahrscheinlichkeit 5%)? Fallstudie 77: Testen VIII In den 6 Niederlassungen eines Unternehmens verteilt sich der Jahresumsatzerlös (in T€) wie folgt: Niederlassung Umsatzerlös

1 110

2 170

3 150

4 210

5 180

6 140

Kann, bei einer Irrtumswahrscheinlichkeit von 5% von einer Gleichverteilung der Grundgesamtheit ausgegangen werden? Fallstudie 78: Testen IX In einer Studie wurde für einen Existenzgründer für 10 Jahre Umsatzerlöse (yi) und Materialaufwand (xi) gegenübergestellt. Umsatz yi [Mio. €.] 145 134 162 131 169 138 167 174 158 140 a) b)

Material x i [Mio. €.] 49 37 52 41 48 38 52 52 48 46

Untersuchen Sie auf dem 95%-Signifikanzniveau, ob es zwischen den beiden Merkmalen einen linearen Zusammenhang gibt. Ab welchem Korrelationswert ist der Zusammenhang nicht mehr signifikant?

Fallstudie 79: Testen X Ein Unternehmen will den Zusammenhang zwischen Jahresumsatz und Ladenverkaufsfläche untersuchen. Man vermutet eine Abhängigkeit des Jahresumsatzes von der Verkaufsfläche. In einem Jahr liefern die angegliederten 12 Filialen folgende Daten:

208

4 Fallstudien

Filiale 1 2 3 4 5 6 7 8 9 10 11 12

Verkaufsfläche in Tsd. m2 0,31 0,98 1,21 1,29 1,12 1,49 0,78 0,94 1,29 0,48 0,24 0,55

Jahresumsatz in Mio. € 2,93 5,27 6,85 7,01 7,02 8,35 4,33 5,77 7,68 3,16 1,52 3,15

Untersuchen Sie, ob die Verkaufsfläche der Grundgesamtheit (β2) einen signifikanten Einfluss auf den Jahresumsatz vermuten lässt. Das Signifikanzniveau sei 1%. Fallstudie 80: Testen XI Im Studiengang KMU in Aalen wurden 180 Studenten befragt, ob sie während des Grundstudiums mindestens eine Klausur wiederholen mussten oder nicht. Gleichzeitig sollten die Studenten Angaben darüber machen, ob sie mehr oder weniger als 20% der Vorlesungen versäumten. Wiederholer Vorlesungsversäumnis weniger als 20% mehr als 20%

nein

ja

137 7

2 34

Kann man aufgrund der Angaben annehmen, dass es zwischen den Variablen Vorlesungsversäumnis und Wiederholer eine Abhängigkeit gibt? Untersuchen Sie dies bei einer Irrtumswahrscheinlichkeit von 1%.

5

Lösungen zu den Fallstudien

Fallstudie 1: Häufigkeitsverteilung bei einem qualitativen Merkmal Die relativen Häufigkeiten, als Dezimalzahl und in Prozent ergeben sich aus nachfolgender Tabelle: Marke xi Mercedes Opel Ford VW Audi BMW Gesamt

Absolute Häufigkeit ni 14 25 15 50 30 28 n=162

Relative Häufigkeit (ni/n)

Relative Häufigkeit in %

0,086 0,154 0,093 0,309 0,185 0,173 1,00

8,6 15,4 9,3 30,9 18,5 17,3 100,0

Erläuterung: Mit der absoluten Häufigkeit n1=14 kommt das Merkmal x1=Mercedes vor usw. Balken- und Kreisdiagramm

50 40

9%

17%

15%

30 20

19%

10 0

9% 31%

ME

OP

FO VW AU BM

ME

OP

FO

VW

Fallstudie 2: Häufigkeitsverteilung bei einem quantitativen Merkmal I Klassenanzahl: Empfehlung =

n =

30 = 5 oder 6 (hier 6) Klassen

AU

BM

210

5 Lösungen zu den Fallstudien

Klassenbreite: (größter Wert – kleinster Wert)/Klassenanzahl = (67-16)/6 = 8,5; hier 10 Jahre

Klassenmitte 20 30 40 50 60 70

119

von … bis 15 – 25 25 – 35 35 – 45 45 – 55 55 – 65 65 – 75

Häufigkeit118 absolut relativ 6 0,200 8 0,267 6 0,200 5 0,167 4 0,133 1 0,033 30 1,00

Summenhäufigkeit absolut relativ 6 0,200 14 0,467 20 0,667 25 0,834 29 0,967 30 1,000 30 1,000

Fallstudie 3: Häufigkeitsverteilung bei einem quantitativen Merkmal II Zu a) Absolute und relative Häufigkeit, sowie Summenfunktion (= absolute Summenhäufigkeit) und empirische Verteilungsfunktion (= relative Summenhäufigkeit)120 Alter von…bis

18 – 25 25 – 45 45 – 65 65 – 85

Anzahl der HH absolut 1.631 11.938 11.186 8.765 33.520

relativ 4,87% 35,61% 33,37% 26,15% 100,00%

Summenfunktion

Empirische Verteilungsfunktion

1.631 13.569 24.755 33.520

4,87% 40,48% 73,85% 100,00%

Zu b) Bei der Frage, wie viel Prozent der Haushalte einen Haushaltsvorstand mit einem Alter zwischen 30 und 55 Jahren haben, unterstellen wir aufgrund der nicht vorhandenen Information eine Gleichverteilung in den einzelnen Gruppen, gehen also davon aus, dass sich in der Gruppe 2 (3) die 11.938 (11.186) Haushalte gleichmäßig auf die jeweils 20 Jahre (25 bis 45 bzw. 45 bis 65) verteilen. Somit benötigen wir aus der Gruppe 25 bis 45 Jahren die 30 118

Bei den relativen Zahlen gibt es kleine Rundungsdifferenzen.

119

Dies ist nur eine von verschiedenen Darstellungsformen. Hier wurden die oberen Klassengrenzen inhaltlich immer zur untersten Klasse gezählt, d.h. das Alter 25 gehört zur Klasse 15 – 25, 35 zählt zur Klasse 25 - 35 usw. Andere Darstellungsformen haben die Einteilung 16 – 25, 26 – 35 usw., oder die Einteilung von…bis unter oder von…bis einschließlich. Hier ist man relativ frei in der Gestaltung. Es gibt nicht die „richtige“ oder „falsche“ Sichtweise.

120

Gegenüber Fallstudie 2 sind hier die relativen Größen als Prozentwerte angegeben. Es ist für die Erläuterung letztlich unerheblich, ob mit prozentualen oder Dezimalgrößen gearbeitet wird.

5 Lösungen zu den Fallstudien

211

bis 45-jährigen Haushaltsvorstände (15 Jahre) und aus der Gruppe 45 bis 65 Jahre die 45 bis 55-jährigen Haushaltsvorstände (10 Jahre): 11.938 11.186 14.546,5  15   10  8.953,5  5.593  14.546,5 HH   100  43,4% 20 20 33.520

N ettoeinzahlungen in M rd.

Fallstudie 4: Beziehung zwischen zwei quantitativen Merkmalen

10 8 6 4 2 0 23000

24000

25000

26000

27000

28000

29000

Pro-Kopf-Einkommen in €

Das Streudiagramm lässt keinen eindeutigen Schluss auf die Beziehung der beiden quantitativen Variablen zu. Grundsätzlich würde man vermuten, dass Länder mit einem niedrigen Pro-Kopf-Einkommen tendenziell auch niedrige Summen (netto)einzahlen und umgekehrt. Dem stehen jedoch die beiden extremen Ausprägungen Deutschland und Luxemburg entgegen. Deutschland hat als größter Nettoeinzahler das zweitniedrigste Pro-Kopf-Einkommen (lediglich Italien liegt noch darunter), während Luxemburg das höchste Pro-KopfEinkommen beim niedrigsten Nettoeinzahlungsbetrag hat. Fallstudie 5: Ungewichtetes arithmetisches Mittel und Median x

1 n (1  2  3  4  5  6) 21   xi    3,5 n i 1 6 6

 1 1  1 ~ x    x n  x n    x (3)  x (4)   3  4  3,5 2  ( 2 ) ( 2 1)  2 2





Arithmetisches Mittel und Median sind also beim Werfen eines gleichseitigen Würfels mit 3,5 identisch.

212

5 Lösungen zu den Fallstudien

Fallstudie 6: Gewichtetes arithmetisches Mittel, Median und Modus I Augenzahl (xi)

Anzahl (ni)

xi  ni

1 2 3 4 5 6

25 16 11 23 26 19 ∑ = 120

25 32 33 92 130 114 ∑ = 426

x

1 k 1   ni  xi   426  3,55 n i 1 120

 1 1  1 ~ x    x n  x n    x (60)  x (61)   4  4  4 2  ( 2 ) ( 2 1)  2 2





Erläuterung zum Median: Bringt man die 120 Würfe in eine aufsteigende Reihenfolge, so ist der 60. und 61. Wurf eine 4 (die ersten 25 Wurf sind eine 1, Wurf 26 bis 41 sind eine 2 usw.). x s = 5 (die Augenzahl 5 kommt mit 26 Nennungen am häufigsten vor)

Im Beispiel ist also x s > ~ x > x , d.h. Modus > Median > arithmetisches Mittel. Fallstudie 7: Gewichtetes arithmetisches Mittel, Median und Modus II Lohn von...bis in Euro (xi) 0 – 10 10 – 15 15 – 20 20 – 30 30 – 50

x

Anzahl (ni)

xi

xi  ni

13 27 21 11 3 ∑ = 75

5,0 12,5 17,5 25,0 40,0

65,0 337,5 367,5 275,0 120,0 ∑ = 1.165,0

1 k 1   ni  xi   1.165  15,53 € n i 1 75

~ xx

(

(n 1) ) 2

x

(

(751) ) 2

 x (38)  12,50 €

5 Lösungen zu den Fallstudien

213

Erläuterung zum Median: Gesucht ist bei insgesamt 75 Werten der mittlere Wert in einer nach aufsteigenden Werten sortierten Reihenfolge. Der mittlere Wert ist der 38., dieser befindet sich somit in der 2. Gruppe (10 – 15), so dass der Median 12,50 € beträgt. x s = 12,50 € (die Lohngruppe 10 - 15 kommt mit 27 Nennungen am häufigsten vor)

Im Beispiel gilt: x > x s = ~ x. Fallstudie 8: Geometrisches Mittel I Zu a) Allgemeine Formel des Wachstumsfaktors WFt 

Jahr 1 2 3

xt x t 1

Wachstumsfaktoren A1 A2 A3 1,08333 0,75000 1,16667 1,07692 1,33333 1,14286 1,07143 1,16667 1,12500

Zu b) Die geometrischen Mittelwerte lassen sich auf zwei Wege errechnen: 1. Weg: x g  n WF1  WF2  WF3  ....  WFn 2. Weg: x g  n

Endniveau Anfangsniveau

Die geometrischen Mittelwerte nach dem 1. Weg: x g A1  3 1,08333  1,07692  1,07143  1,0772  7,72% x g A 2  3 0,75000  1,33333  1,16667  1,0527  5,27% x g A 3  3 1,16667  1,14286  1,12500  1,1447  14,47%

Die geometrischen Mittelwerte nach dem 2. Weg: x g A1  3

15  1,0772  7,72% 12

xgA2  3

14  1,0527  5,27% 12

214

x gA3  3

5 Lösungen zu den Fallstudien 18  1,1447  14,47% 12

Zu c) Nach beiden Wegen beträgt das durchschnittliche jährliche Wachstum der Aktie für die drei Analysten 7,72% (A1), 5,27% (A2) und 14,47% (A3), d.h. die positivste Grundhaltung des Analysten A3 schlägt sich auch in der größten prognostizierten Steigerungsrate von 14,47% nieder. Probe: Multipliziert man die Ausgangsbasis 12,- € jeweils dreimal mit den jeweiligen Wachstumsfaktoren bzw. addiert jeweils 3 Mal hintereinander die durchschnittliche jährliche prozentuale Veränderung, so wird das prognostizierte Endniveau erreicht. A1: 12 . 1,07723 = 15 A2: 12 . 1,05273 = 14 A3: 12 . 1,14473 = 18 Fallstudie 9: Geometrisches Mittel II Zu a) Endvermögen der 3 Alternativen: A1: 1.240 € (vorgegeben) A2: 1.000 . 1,0315 . 1,088 . 1,116 = 1.252,46 € A3: 1.000 . 1,0783 = 1.252,72 € Zu b) Durchschnittliche Verzinsung: x g A1  3

1.240  1,0743  7,43% 1.000

xgA2  3

1.252,46  1,0779  7,79% 1.000

x gA3  3

1.252,72  1,078  7,8% 1.000

Zu c) Herr Meier wird sich, wenn er Vermögensmaximierung betreibt, für A3 entscheiden, die ihm mit durchschnittlich 7,8% das größte Endvermögen am Ende des 3. Jahres beschert.

5 Lösungen zu den Fallstudien

215

Fallstudie 10: Harmonisches Mittel Insgesamt wurden 4.000 € zu unterschiedlichen Preisen investiert. Jahr 1 2 3 4 Σ

Betrag 1.000 € 1.000 € 1.000 € 1.000 € 4.000 €

Anteile 50 40 32 25 147

Preis/Anteil 20,00 € 25,00 € 31,25 € 40,00 €

Das harmonische Mittel lässt sich wie folgt ermitteln: xh 

4.000, € Betragssumme   27,21 € / Anteil Summe der Anteile 147 Anteile

oder über xh 

1 1 1 1  h1   h2  ...   hi x1 x2 xi



1 1 1 1 1  0, 25   0, 25   0, 25   0, 25 20 25 31, 25 40



 27, 21 € / Anteil

Fallstudie 11: Lageparameter Zu a) Da jeweils die gleiche Anzahl an Wein gekauft wird, handelt es sich um das ungewichtete arithmetische Mittel. x

1 k (6  12)   xi   9, € n i1 2

Der Wein kostet durchschnittlich 9,- €. Zu b) Da 120,- € hälftig in beide Weinsorten investiert werden, kommt hierbei das harmonische Mittel zur Anwendung. Jeweils 60,- € werden in beide Weinsorten investiert, so dass man vom Merlot 10 und vom Cabernet Sauvignon 5 Flaschen bekommt. Insgesamt erhalten Sie somit 15 Flaschen Wein zu einem Durchschnittspreis von xh 

Gesamtbetrag 120,  €   8,  € / Flasche Anzahl Flaschen 15 Flaschen

Das gleiche Resultat stellt sich natürlich über die Formel des harmonischen Mittels ein:

216

5 Lösungen zu den Fallstudien 1 1   8, € / Flasche 1 1 1 1 1  h1   h 2  ...   hi  0,5   0,5 x1 x2 xi 6 12

xh 

Der Wein kostet durchschnittlich 8,- €/Flasche. Zu c) Nun ist nach dem gewichteten arithmetischen Mittel gefragt. x

1 k (15  6  12  12)   ni xi   8,67 € / Flasche n i 1 27

Die Flasche Wein kostet durchschnittlich 8,67 €. Fallstudie 12: Varianz und Standardabweichung I Zu a) AR1

(x i  x) 2

AR2

(x i  x ) 2

0 1 3 4 5 6 9 10 12 20 70 x 7 10

49 36 16 9 4 1 4 9 25 169

5 5 6 6 7 7 8 8 9 9 70 x 7 10

4 4 1 1 0 0 1 1 4 4

∑ = 322

∑ = 20

Beide arithmetische Mittel haben den Wert x  7 (durchschnittliche Rendite der 10 Jahre), wobei allerdings die erste Reihe (AR1) sehr viel größere Streuungen aufweist. Dies wird sich in einer sehr viel größeren Varianz und Standardabweichung auswirken, wie nachfolgend gezeigt wird. Zu b) Für AR1 gilt:  2 

1  322  32,20 und    2  5,67 10

Für AR2 gilt:  2 

1  20  2 und    2  1,41 10

5 Lösungen zu den Fallstudien

217

Fallstudie 13: Varianz und Standardabweichung II Augenzahl (xi)

F(x)

ni

xi  ni

(x i  x )2

n i  (x i  x) 2

1 2 3 4 5 6

0,21 0,38 0,52 0,66 0,85 1,00

21 17 14 14 19 15 ∑ = 100

21 34 42 56 95 90 ∑ = 338

5,6644 1,9044 0,1444 0,3844 2,6244 6,8644

118,9524 32,3748 2,0216 5,3816 49,8636 102,9660 ∑ = 311,56

1 k 338   ni  xi   3,38 n i 1 100 1 k 1  2    n i  (x i  x) 2   311,56  3,1156 n i1 100 x

   2  1,765

Die Standardabweichung in Höhe von 1,765 besagt, dass die geworfenen Augenzahlen im Durchschnitt um 1,765 vom arithmetischen Mittelwert abweichen. Fallstudie 14: Lage- und Streuungsparameter Zu a) Innerhalb der einzelnen Gehaltsgruppen unterstellen wir eine Gleichverteilung, da wir aufgrund des stark verdichteten Datenmaterials keine anderen (sinnvollen) Annahmen treffen können. Gehaltsgruppe

Bruttogehalt (xi)

I II III IV

0 – 1.000 € 1.000 – 2.500 € 2.500 – 4.500 € 4.500 – 7.000 €

Anzahl der Beschäftigte (ni) 84 96 16 8 204

xi

ni . x i

n i  (x i  x) 2

500 1.750 3.500 5.750

42.000 168.000 56.000 46.000 312.000

89.013.841 4.671.280 62.131.488 142.506.920 298.323.529

Modus: xs = 1.750  1 1  1 x    x n  x n    x (102)  x (103)   1.750  1.750  1.750 Median: ~ 2  ( 2 ) ( 2 1)  2 2





218

5 Lösungen zu den Fallstudien

Zu b) Arithmetisches Mittel: x 

312.000  1.529,41 204

Zu c) Varianz:  2 

1 k 1   n i  (x i  x) 2   298.323.529  1.462.370 n i 1 204

Standardabweichung:    2  1.209,29 Zu d) Kann die monatliche Gehaltssumme 500.000 € betragen? Unterstellen wir, dass alle Einkommensbezieher das Maximum der jeweiligen Gehaltsklasse verdienen, so würde sich folgende maximale Einkommenssumme ergeben:

84 . 1.000 € + 96 . 2.500 € + 16 . 4.500 € + 8 . 7.000 € = 452.000,- €, d.h. es werden maximal 452.000,- € an Gehältern ausbezahlt, die Aussage kann also nicht stimmen. Zu e) Bei der Beantwortung der Frage nach dem prozentualen Anteil der Einkommensbezieher zwischen 1.500,- und 4.000,- € muss innerhalb der Gehaltsgruppen II und III geschätzt werden. Wir unterstellen dort eine Gleichverteilung der Einkommen, so dass wir aus der Gehaltsgruppe II insgesamt 2/3 der Beschäftigten und aus der Gehaltsgruppe III 3/4 der Beschäftigten erhalten: 2 3 76  96   16  64  12  76   37,25% 3 4 204

Der (geschätzte) Anteil der Beschäftigten mit einem Einkommen zwischen 1.500,- und 4.000,- € beträgt folglich 37,25%. Fallstudie 15: Mittlere absolute Abweichung

Augenzahl (xi)

Fn (x)

1 2 3 4 5 6

0,21 0,38 0,52 0,66 0,85 1,00

ni

xi  ni

21 21 17 34 14 42 14 56 19 95 15 90 ∑ = 100 ∑ = 338 338 x  3,38 100

ni  xi  x

49,98 23,46 5,32 8,68 30,78 39,30 ∑ = 157,52 157,52 MAD   1,57 100

5 Lösungen zu den Fallstudien

219

Die mittlere (absolute) Abweichung um den arithmetischen Mittelwert, der 3,38 beträgt, liegt bei 1,57. Fallstudie 16: Variationskoeffizient Jahr

Zuckerpreis in € (xi) 1,09 1,21 1,17 1,02 0,98 ∑ = 5,47 5,47 x  1,094 5

1 2 3 4 5

x2 

0,037  0,0074 5

 x  0,0074  0,0860

VC x 

0,086  0,0786 1,094

(x i  x) 2

Kaffeepreis in € (yi)

( y i  y) 2

0,000 0,013 0,006 0,005 0,013 ∑ = 0,037

10,99 12,39 11,49 10,78 9,98 ∑ = 55,63 55,63 y  11,126 5

0,018 1,598 0,132 0,120 1,313 ∑ = 3,181

y2 

3,181  0,6362 5

 y  0,6362  0,7976

VC y 

0,7976  0,0716 11,126

Beide Variationskoeffizienten sind mit 7,86% bzw. 7,16% etwa identisch. Dies ist der prozentuale Anteil der Standardabweichung an dessen Mittelwert. Fallstudie 17: Indizes I

Die Teilaufgaben können aus nachfolgender Arbeitstabelle abgeleitet werden: Gut A B C D

Periode 0 qoi poi 5 55 9 29 3 32 7 78

Periode 1 q1i p1i 5 60 8 35 4 34 8 82

poi.qoi 275 261 96 546 ∑ = 1.178

p1i. q1i 300 280 136 656 ∑ = 1.372

p1i .qoi 300 315 102 574 ∑ = 1.291

poi . q1i 275 232 128 624 ∑ = 1.259

220

5 Lösungen zu den Fallstudien

Zu a) Paasche- und Laspeyres-Preisindex n

n

PP 

 p1i  q1 i

i 1 n

 p 0 i  q1 i

1.372   1,09 1.259

LP 

i 1

 p1i  q 0 i

i 1 n



 p0 i  q 0 i

1.291  1,096 1.178

i 1

Nach dem Preisindex nach Paasche (Laspeyres) haben sich die Warenpreise im Beobachtungszeitraum um 9% (9,6%) verteuert. Zu b) Paasche- und Laspeyres-Mengenindex n

PM 

 q1i  p1 i

i 1 n

 q 0 i  p1 i

n



1.372  1,063 1.291

LM 

i 1

 q1i  p 0 i

i 1 n

 q0 i  p0 i



1.259  1,069 1.178

i 1

Nach dem Mengenindex nach Paasche (Laspeyres) hat eine Mengensteigerung im Warenkorb im Beobachtungszeitraum um 6,3% (6,9%) stattgefunden. Zu c) Wertindex n

WI 

 p1i  q1i

i 1 n

 p0 i  q 0 i

 L P  PM  PP  L M 

1.372  1,096 1,063  1,09  1,069  1,165 1.178

i 1

Im Beobachtungszeitraum hat sich der Wert des Warenkorbes um insgesamt 16,5% erhöht. Zu d) Jährlicher Preisanstieg gemessen am Laspeyres-Index GM  3 1,096  1,031  3,1%

Der durchschnittliche jährliche Preisanstieg zwischen 2008 und 2011 betrug folglich 3,1%. Fallstudie 18: Indizes II Jahr 0 1 2 3 4 5 6 7 8 9 10 Index (alt) 100 102 104 105 109 121 129 131 139 145 149 Index (neu) 77,5 79,1 80,6 81,4 84,5 93,8 100 101,6 107,8 112,4 115,5

5 Lösungen zu den Fallstudien

221

Fallstudie 19: Kovarianzanalyse I Im Beispiel seien die verkauften Reisen die Merkmalsausprägung xi, der Umsatzerlös yi. xi

xi  x

yi

200 470 -115 250 630 -65 300 640 -15 280 630 -35 350 790 35 400 930 85 425 950 110 x = 315 y = 720 Cov x , y 

y i  y ( x i  x )  ( y i  y) -250 28.750 -90 5.850 -80 1.200 -90 3.150 70 2.450 210 17.850 230 25.300 Qxy = 84.550

1 n 84.550   ( x i  x )  ( y i  y)   12.078,6 n i1 7

Zwischen den Merkmalen der verkauften Reisen und Umsatzerlösen besteht somit ein positiver Zusammenhang, d.h. steigende Reisezahlen gehen mit steigenden Umsatzerlösen einher und umgekehrt. Die Stärke des Zusammenhangs kann jedoch nicht angegeben werden, da es sich bei der Kovarianz um ein nicht normiertes Maß handelt. Dazu muss die Korrelationsstudie herangezogen werden. Fallstudie 20: Kovarianzanalyse II Die Steuereinnahmen des Bundes S seien die Variable xi, die Neuverschuldung des Staates die Variable yi. xi

yi

198,80 23,80 193,80 22,80 192,00 31,90 191,90 38,60 187,00 39,50 x = 192,70 y = 31,32 Cov x , y 

xi  x

y i  y ( x i  x )  ( y i  y)

6,10 1,10 -0,70 -0,80 -5,70

-7,52 -8,52 0,58 7,28 8,18

-45,87 -9,37 -0,41 -5,82 -46,63 Qxy = -108,10

108,10 1 n   ( x i  x )  ( y i  y)   21,62 n i1 5

Die untersuchten Merkmale zeigen ein gegenläufiges Verhalten, durch das Vorzeichen der Kovarianz zum Ausdruck gebracht. Wenn es einen funktionalen Zusammenhang zwischen den beiden Merkmalen gibt, indem sich die Nettoneuverschuldung bspw. als (negative) Funktion der Steuereinnahmen darstellen lässt, dann steigt bspw. die Nettoneuverschuldung

222

5 Lösungen zu den Fallstudien

mit sinkenden Steuereinnahmen und umgekehrt. Dazu müsste aber eine Korrelations- bzw. eine Regressionsanalyse durchgeführt werden. Fallstudie 21: Korrelationskoeffizient nach Bravais-Person für ungruppierte Daten I Die Anzahl der verkauften Reisen stellt die Variable xi, die Umsatzerlöse die Variable yi dar: xi

xi  x

yi

y i  y ( x i  x )  ( y i  y)

200 470 -115 250 630 -65 300 640 -15 280 630 -35 350 790 35 400 930 85 425 950 110 x = 315 y = 720

-250 -90 -80 -90 70 210 230

28.750 5.850 1.200 3.150 2.450 17.850 25.300 Qxy = 84.550

(x i  x )2

( y i  y) 2

13.225 62.500 4.225 8.100 225 6.400 1.225 8.100 1.225 4.900 7.225 44.100 12.100 52.900 Qxx = 39.450 Qyy = 187.000

n

r

 (x i  x)  (y i  y)

i 1 n

n

i 1

i 1



2 2  (x i  x) . (y i  y)

Q xy Q xx  Q yy



84.550 39.450  187.000

 0,984

Zwischen den beiden Merkmalen Umsatzerlöse und der verkauften Reisen besteht eine sehr hohe lineare (positive) Beziehung, d.h. beide entwickeln sich in die gleiche Richtung (abnehmend/zunehmend). Fallstudie 22: Korrelationskoeffizient nach Bravais-Person für ungruppierte Daten II Die Steuereinnahmen des Bundes S bilden die Variable xi, die Neuverschuldung des Staates die Variable yi. xi

yi

xi  x

y i  y ( x i  x )  ( y i  y)

6,10 1,10 -0,70 -0,80 -5,70

-7,52 -8,52 0,58 7,28 8,18

198,80 23,80 193,80 22,80 192,00 31,90 191,90 38,60 187,00 39,50 x = 192,70 y = 31,32

-45,87 -9,37 -0,41 -5,82 -46,63 Qxy = -108,10

(x i  x ) 2

( y i  y) 2

37,21 1,21 0,49 0,64 32,49

56,55 72,59 0,34 53,00 66,91

Qxx = 72,04 Qyy = 249,39

n

r

 (x i  x)  (y i  y)

i 1 n

2

n

 (x i  x) . (y i  y)

i 1

i 1

 2

Q xy Q xx  Q yy



 108,10 72,04  249,39

 0,8065

5 Lösungen zu den Fallstudien

223

Zwischen den beiden Merkmalen Steuereinnahmen des Bundes und Neuverschuldung des Staates besteht eine sehr hohe lineare (negative) Beziehung, d.h. beide entwickeln sich in entgegengesetzte Richtungen. Fallstudie 23: Korrelationskoeffizient nach Bravais-Person für gruppierte Daten Der Korrelationskoeffizient ergibt sich aus folgenden Tabellen: yj

1

2

3

4

ni.

xini.

xi2ni.

3 3 1 0 7 7 7

0 8 2 1 11 22 44

0 2 7 2 11 33 99

0 0 2 1 3 12 48

3 13 12 4 n =32 ∑ = 74 ∑ = 198

3 26 36 16 ∑ = 81

3 52 108 64 ∑ = 227

xi 1 2 3 4 n.j yjn.j yj2n.j

Berechnung von ∑∑ xiyjnij: yj xi 1 2 3 4

1

2

3

4

3 6 3 0

0 32 12 8

0 12 63 24

0 0 24 16 203

Wert des Korrelationskoeffizienten: 1  81  74 32 = 0,646 r 812 74 2 [227  ][198  ] 32 32 203 

D.h. zwischen den Merkmalsausprägungen Bachelorprüfungsnote und Vornote besteht ein recht großer positiver Zusammenhang (Studenten mit guten Bachelornoten hatten tendenziell auch eine gute Vorprüfung und umgekehrt).

224

5 Lösungen zu den Fallstudien

Fallstudie 24: Korrelationskoeffizient nach Spearman Das Merkmal Tragekomfort sei die Variable xi, das Merkmal Wettkampfeigenschaft die Variable yi: Schuh

RG (xi)

RG (yi)

( x i  x )  ( y i  y)

(x i  x ) 2

( y i  y) 2

1 2 3 4 5 6 7 8 9 10

1,5 7,0 8,5 10,0 4,5 1,5 4,5 8,5 4,5 4,5 r g = 5,5

8,0 5,5 1,5 1,5 8,0 10,0 3,5 3,5 5,5 8,0 rg = 5,5

-10,0 0,0 -12,0 -18,0 -2,5 -18,0 2,0 -6,0 0,0 -2,5 Qxy = -67

16,00 2,25 9,00 20,25 1,00 16,00 1,00 9,00 1,00 1,00 Qxx = 76,5

6,25 0,00 16,00 16,00 6,25 20,25 4,00 4,00 0,00 6,25 QYY = 79,0

Q xy

rs 

Q xx  Q yy



 67 76,5  79,0

 0,862

Es besteht ein relativ starker negativer Zusammenhang zwischen den Rängen. Ein hoher Tragekomfort der Schuhe geht zu Lasten der Wettkampffähigkeit u.u. Fallstudie 25: Korrelationskoeffizienten Das Merkmal Einkommen sei die Variable xi, das Merkmal Konsum die Variable yi: Zu a) Korrelationskoeffizient nach Bravais-Pearson Person

xi

yi

( x i  x )  ( y i  y)

(x i  x )2

( y i  y) 2

1 2 3 4 5 6 7 8

800 1.000 1.200 1.000 700 2.000 1.800 2.000

500 700 800 650 450 900 900 900

115.312,5 7.812,5 -8.437,5 23.437,5 168.437,5 120.312,5 85.312,5 120.312,5 Qxy = 632.500

262.656,25 97.656,25 12.656,25 97.656,25 375.156,25 472.656,25 237.656,25 472.656,25 Qxx = 2.028.750

50.625 625 5.625 5.625 75.625 30.625 30.625 30.625 QYY = 230.000

x  1.312,5

y  725

5 Lösungen zu den Fallstudien

Q xy

r

Q xx  Q yy

225

632.500



2.028.750  230.000

 0,926

Es besteht ein starker positiver (linearer) Zusammenhang zwischen den Einkommen und den Konsumausgaben. Zu b) Rangkorrelationskoeffizient nach Spearman

Person

RG (xi)

RG (yi)

( x i  x )  ( y i  y)

(x i  x )2

( y i  y) 2

1 2 3 4 5 6 7 8

2 3,5 5 3,5 1 7,5 6 7,5 rg  4,5

2 4 5 3 1 7 7 7 rg  4,5

6,25 0,50 0,25 1,50 12,25 7,50 3,75 7,50 Qxy = 39,50

6,25 1,00 0,25 1,00 12,25 9,00 2,25 9,00 Qxx = 41

6,25 0,25 0,25 2,25 12,25 6,25 6,25 6,25 QYY = 40

rs 

Q xy Q xx  Q yy



39,5 41  40

 0,975

Der starke positive lineare Zusammenhang zwischen dem Einkommen und dem Konsum (Aufgabe a) wird durch die Überführung der kardinalen in ordinale Daten noch verstärkt. Fallstudie 26: Einfache Regression I

Die Anzahl der verkauften Reisen stellt die unabhängige Variable xi, die Umsatzerlöse die abhängige Variable yi dar: xi

yi

xi  x

200 470 -115 250 630 -65 300 640 -15 280 630 -35 350 790 35 400 930 85 425 950 110 x = 315 y = 720

y i  y ( x i  x )  ( y i  y)

-250 -90 -80 -90 70 210 230

28.750 5.850 1.200 3.150 2.450 17.850 25.300 Qxy = 84.550

(x i  x ) 2

( y i  y) 2

13.225 62.500 4.225 8.100 225 6.400 1.225 8.100 1.225 4.900 7.225 44.100 12.100 52.900 Qxx = 39.450 Qyy = 187.000

226

5 Lösungen zu den Fallstudien

Zu a) Regressionsansatz b2 

Q xy Q xx



84.550  2,14 39.450

b1  y  b 2  x  720  2,14  315  45,9

Die Regressionsgerade lautet somit yˆ  45,9  2,14  x Zu b) Die Güte der Regression wird mit dem Bestimmtheitsmaß berechnet:

B

Q 2xy Q xx  Q yy



84.550 2  0,969 39.450  187.000

Wir haben also eine sehr hohe Güte, d.h. 97% der Umsatzerlösentwicklung werden durch die Anzahl der Reisen erklärt, während lediglich 3% auf andere, nicht im Regressionsmodell enthaltene Faktoren zurückgehen. Zu c) Schätzung des Umsatzes bei 500 Tsd. verkauften Reisen yˆ  45,9  2,14  x  45,9  2,14  500  1.115,9

Bei prognostizierten 500 Tsd. verkauften Reisen können wir für 2011 von 1.115,9 Tsd. € Umsatzerlösen ausgehen. Fallstudie 27: Einfache Regression II

Die Steuereinnahmen des Bundes S stellen die unabhängige Variable xi, die Neuverschuldung des Staates die abhängige Variable yi dar. xi

yi

xi  x

y i  y ( x i  x )  ( y i  y)

6,10 1,10 -0,70 -0,80 -5,70

-7,52 -8,52 0,58 7,28 8,18

198,80 23,80 193,80 22,80 192,00 31,90 191,90 38,60 187,00 39,50 x = 192,70 y = 31,32

-45,87 -9,37 -0,41 -5,82 -46,63 Qxy = -108,10

Zu a) Regressionsansatz b2 

Q xy Q xx



 108,10  1,5 72,04

b1  y b 2  x  31,32  1,5  192,7  320,37

Die Regressionsgerade lautet somit yˆ  320,37  1,5  x

(x i  x ) 2

( y i  y) 2

37,21 56,55 1,21 72,59 0,49 0,34 0,64 53,00 32,49 66,91 Qxx = 72,04 Qyy = 249,39

5 Lösungen zu den Fallstudien

227

Zu b) Die Güte der Regression wird mit dem Bestimmtheitsmaß berechnet: B

Q 2xy Q xx  Q yy



 108,10 2  0,65 72,04  249,39

Wir haben also eine nicht ganz zufrieden stellende Güte (Faustformel verlangt B  0,8 ), d.h. 65% der Entwicklung der Nettoneuverschuldung werden durch die Steuereinnahmen erklärt, während 35% auf andere, nicht im Regressionsmodell enthaltene Faktoren zurückgehen. Zu c) Schätzung des Nettoneuverschuldung bei 180 Mrd. € Steuereinnahmen yˆ  320,37  1,5  x  320,37  1,5  180  50,37

Bei prognostizierten 180 Mrd. € Steuereinnahmen können wir von 50,37 Mrd. € an Neuverschuldung ausgehen. Fallstudie 28: Multiple Regression I Gesucht sind die Regressionskoeffizienten des Spaltenvektors b, was durch das Gleichungssystem b = (X´X)-1 X´y erfolgt. Wir gehen die im Text beschriebenen Schritte durch: Schritt 1: Bildung der transponierten Matrix X´ Schritt 2: Produktbildung X´X Schritt 3: Bildung der Inversen (X´X)-1 Schritt 4: Produktbildung X´y Schritt 5: Produktbildung (X´X)-1 X´y

228

5 Lösungen zu den Fallstudien

Zu Schritt 1 und 2: 121

1 1,50 0,48

1 1,61 0,51

1 1,65 0,52

1 1,73 0,52

1 1,80 0,53

1 1,83 0,52 X´

1 1,87 0,51

1 1,92 0,53

Zu Schritt 3: (X´X)-1 =

121

84,79 19,53 -228,83

19,53 13,72 -84,32

-228,83 -84,32 726,29

Es ergeben sich Rundungsdifferenzen bei einzelnen Werten.

1 1,97 0,54

1 2,03 0,57

1 1 1 1 1 1 1 1 1 1 10,0 17,9 5,2

X 1,50 1,61 1,65 1,73 1,80 1,83 1,87 1,92 1,97 2,03 17,9 32,3 9,4 X´X

0,48 0,51 0,52 0,52 0,53 0,52 0,51 0,53 0,54 0,57 5,2 9,4 2,7

5 Lösungen zu den Fallstudien

229

Zu Schritt 4 und 5: y 0,85 0,91 0,95 0,98 1,02 1,05 1,08 1,11 1,15 1,19 X´ 1 1,50 0,48

1 1,61 0,51

1 1,65 0,52

1 1,73 0,52

1 1,80 0,53

84,7884 19,5350 -228,8251

1 1,83 0,52

1 1,87 0,51

1 1,92 0,53

19,5350 13,7164 -84,3233 (X´X)-1

1 1,97 0,54

1 2,03 0,57

-228,8251 -84,3233 726,2871

-0,139 0,633 0,067 b

Damit lautet die gesuchte Regressionsfunktion: y = -0,139 + 0,633x2 + 0,067x3 + e Die Tabelle zur Berechnung des Bestimmtheitsmaßes ergibt sich wie folgt: Cpriv ( yi )

BIP (x2i)

Lnetto (x3i)

yi

0,85 0,91 0,95 0,98 1,02 1,05 1,08 1,11 1,15 1,19 y = 1,03

1,50 1,61 1,65 1,73 1,80 1,83 1,87 1,92 1,97 2,03

0,48 0,51 0,52 0,52 0,53 0,52 0,51 0,53 0,54 0,57

0,8420 0,9136 0,9396 0,9902 1,0352 1,0535 1,0781 1,1111 1,1434 1,1834



( y i  y) 2



( y i  y) 2

10,29 18,59 5,40



( yi  yi ) 2

0,0320 0,0355 0,0001 0,0142 0,0130 0,0000 0,0062 0,0080 0,0001 0,0024 0,0015 0,0001 0,0002 0,0000 0,0002 0,0004 0,0006 0,0000 0,0026 0,0024 0,0000 0,0066 0,0067 0,0000 0,0146 0,0131 0,0001 0,0259 0,0238 0,0000 ∑ = 0,1051 ∑ = 0,1044 ∑ = 0,0007

X´y

b1 b2 b3

230

5 Lösungen zu den Fallstudien SQE 0,1044   0,993  99,3% SQT 0,1051

B

Das Bestimmtheitsmaß deutet darauf hin, dass der private Konsum sehr gut durch das Bruttoinlandsprodukt und die Nettogehälter/Nettolöhne erklärt worden ist. Fallstudie 29: Multiple Regression II Aus der Aufgabenstellung ergeben sich folgende Berechnungen:

1 3 2

1 7 5

1 8 7 X´

1 9 8

1 11 10

4,0791 -1,9281 1,6835

(X´X)-1 =

1 1 1 1 1 5 38 32

-1,9281 1,3381 -1,2878

X 3 7 8 9 11 38 324 279 X´X

2 5 7 8 10 32 279 242

1,6835 -1,2878 1,2662 y 11 17 20 22 27

1 3 2 4,0791 -1,9281 1,6835

1 7 5

X´ 1 8 7

1 9 8

-1,9281 1,3381 -1,2878 (X´X)-1

1 11 10 1,6835 -1,2878 1,2662

97 807 693

X´y

6,367 0,424 1,532

b1 b2 b3

5 Lösungen zu den Fallstudien

231

Damit lautet die gesuchte Regressionsfunktion: y = 6,367 + 0,424x2 + 1,532x3 + e Für P1 = 15 (=x2) und P2 = 13 (=x3) ergeben sich geschätzte Kosten (y) in Höhe von y = 6,367 + 0,424 . 15 + 1,532 . 13 = 32,643, also 326.430 €. Fallstudie 30: Kontingenztafel I Maschine Qualität

M1 nij

B1 B2

M2 nij

2

erw

2

erw

nij

Randsumme 2

erw

27 24,46 0,26 39 49,68 2,30 41 32,86 2,02 5 7,54 0,86 26 15,32 7,45 2 10,14 6,53

Randsumme 32

 2beob

M3

65

n n    n ij  i. . j  k l  n    n i.  n . j i 1 j1

43

107 33 140

2

 0,26  0,86  2,30  7,45  2,02  6,53  19,42

n

T=

19,42 140  (2  1)  (3  1)

 0,098

Mit einem T-Maß von 0,098 besteht so gut wie kein Zusammenhang zwischen den untersuchten Merkmalen, d.h. die Qualität der Kunststoffteile und die Maschinen haben keinerlei Beziehungen zueinander. Man kann also nicht sagen, dass einzelne Maschinen tendenziell gut bzw. schlecht arbeiten. Fallstudie 31: Kontingenztafel II

Die aus den Angaben abgeleitete Kontingenztafel, aus der sich das χ2-Maß und das Tschuprow-Maß ableiten, beinhaltet folgende Informationen: arbeitslos Ausbildung

kurz nij

keine Berufsausbildung Ausbildung mit Zusätzen Studium

erw

mittel 2

nij

erw

lang 2

nij

5 12,81 4,76 15 19,52 1,05 41 7 4,83 0,98 11 7,36 1,80 5 5 2,31 3,13 5 3,52 0,62 1 4 1,05 8,29 1 1,60 0,23 0 21

17,16 32

3,70 47

Randsumme

erw

2

28,67 10,81 5,17 2,35

5,30 3,12 3,36 2,35

61 23 11 5

14,13

100

232

5 Lösungen zu den Fallstudien

χ 2beob  17,16  3,70  14,13  34,99

T=

34,99 100  (4  1)  (3  1)

 0,143

Aufgrund des Tschuprow-Maßes kann davon ausgegangen werden, dass der Zusammenhang zwischen dem Ausbildungsstand und der Arbeitslosendauer nicht sonderlich stark ist. Fallstudie 32: Zeitreihenanalyse I

AL gleitender Jahr/ Intervall Mittelwert yt 1

2

3

4

I II III I II III I II III I II III

25 31 51 28 48 59 37 47 52 35 40 61

35,667 36,667 42,333 45,000 48,000 47,667 45,333 44,667 42,333 45,333

sk *i  y t  y t

I

II

III

-4,667 14,333   -10,667

3,000

  11,000

  -7,330

1,667

  7,333

  mittel -10,777 (sk+1)

-5,333

-14,333

mittel -1,333 (sk+2)

   mittel 10,889 (sk+3)

sk i

122

-10,370 -0,926 11,296 -10,370 -0,926 11,296 -10,370 -0,926 11,296 -10,370 -0,926 11,296

saisonbereinigt y t* 35,370 31,926 39,704 38,370 48,926 47,704 47,370 47,926 40,704 45,370 40,926 49,704

zk t

-3,740 3,037 -3,963 3,926 -0,296 -0,297 2,593 -3,963 3,037 -4,407

Fallstudie 33: Zeitreihenanalyse II

Die beiden Anfangs- und Endglieder werden durch die Formeln y t  y3 

(3  t)  (y1  y 5 ) für t = 1,2 sowie 4

yt  yn2 

(t  2  n)  (y n  y n  4 ) für t = n-1, n (mit n = Anzahl der Beobachtungen) 4

ermittelt. Man erhält:

122

Es ergab sich ein Korrekturfaktor von -0,407.

5 Lösungen zu den Fallstudien

233

y1  33,125 

(3  1)  (25  28)  31,625 4

y 2  33,125 

(3  2)  (25  28)  32,375 4

y11  44,375 

(11  2  12)  (52  59)  42,625 4

y12  44,375 

(12  2  12)  (52  59)  40,875 4

Jahr/ yt gleitender Quartal Mittelwert

I II 1 III IV I II 2 III IV I II 3 III IV

25 31 24 51 28 48 35 59 37 47 38 52

sk *i  y t  y t

yt

I

31,625 32,375 33,125 35,625 39,125 41,500 43,625 44,625 44,875 44,375 42,625 40,875

-6,625

-11,125

-7,875

mittel -8,542 (sk+1)

123

Der Korrekturfaktor beträgt 0,052.

II

III

IV

sk i

123

-8,594 -1,375 2,531 -9,125 -7,510 15,375 13,573 -8,594 6,500 2,531 -8,625 -7,510 14,375 13,573 -8,594 2,625 2,531 -4,625 -7,510 11,125 13,573 mittel mittel mittel 2,583 -7,458 13,625 (sk+2) (sk+3) (sk+4)

saisonbereinigt y t*

zk t

33,594 28,469 31,510 37,427 36,594 45,469 42,510 45,427 45,594 44,469 45,510 38,427

1,969 -3,906 -1,615 1,802 -2,531 3,969 -1,115 0,802 0,719 0,094 2,885 -2,448

234

5 Lösungen zu den Fallstudien

63 58 53 48 OR

43

SB

38 33 28 23 I

II

III

IV

I

II

III

IV

I

II

III

IV

Die Graphik lässt erkennen, dass die jeweiligen Quartale I und III saisonbedingt schwache Quartale und die jeweiligen Quartale II und IV saisonal überdurchschnittliche Werte vorweisen. Demzufolge werden durch die saisonalen Glättungen (Saisonbereinigung) die Quartale I und II nach oben bzw. die Quartale II und IV nach unten angepasst. Fallstudie 34: Venn-Diagramm Es gilt: A = (2;4;6)

B = (5,6) Lösungen

Ω = (1,2,3,4,5,6)

A  B = (6)

A  B = (2,4,5,6)

A│B = (2,4)

B│A = (5)

A  B = (2,4,5)

A = (1,3,5)

B = (1,2,3,4)

Fallstudie 35: Wahrscheinlichkeiten I (1,1); (1,2); (1,3); (1,4); (1,5); (1,6)   (2,1); (2,2); (2,3); (2,4); (2,5); (2,6) (3,1); (3,2); (3,3); (3,4); (3,5); (3,6) Ereignisraum     (4,1); (4,2); (4,3); (4,4); (4,5); (4,6) (5,1); (5,2); (5,3); (5,4); (5,5); (5,6)   (6,1); (6,2); (6,3); (6,4); (6,5); (6,6)

5 Lösungen zu den Fallstudien Daraus leiten sich die Wahrscheinlichkeiten ab: P (X=2) =

3 4 1 2 ; P (X=3) = ; P (X=4) = ; P (X=5) = ; 36 36 36 36

P (X=6) =

5 6 5 4 ; P (X=7) = ; P (X=8) = ; P (X=9) = ; 36 36 36 36

P (X=10) =

2 3 1 ; P (X=11) = ; P (X=12) = . 36 36 36

Fallstudie 36: Wahrscheinlichkeiten II Zu a) ungerade Zahl beim Wurf eines idealen Würfels Ereignisraum: Ω = (1; 2; 3; 4; 5; 6) Elementarereignisse: E = (1; 3; 5) P (X = ungerade Zahl) =

3 1  ; 6 2

Zu b) mindestens einmal Wappen beim zweimaligen Wurf einer Münze ( WW); ( WZ) Ereignisraum:     ( ZW); ( ZZ) 

Elementarereignisse: E = (WW; WZ; ZW) P (X ≥ 1x Wappen) =

3 4

Zu c) Summe 7 beim Wurf zweier Würfel (1,1); (1,2); (1,3); (1,4); (1,5); (1,6)   (2,1); (2,2); (2,3); (2,4); (2,5); (2,6) (3,1); (3,2); (3,3); (3,4); (3,5); (3,6) Ereignisraum:     (4,1); (4,2); (4,3); (4,4); (4,5); (4,6) (5,1); (5,2); (5,3); (5,4); (5,5); (5,6)   (6,1); (6,2); (6,3); (6,4); (6,5); (6,6) Elementarereignisse: E = [(1,6);(2,5);(3,4);(4,3);(5,2);(6,1)] P (X = Summe 7) =

6 1  36 6

235

236

5 Lösungen zu den Fallstudien

Zu d) Summe 3 beim Wurf dreier Würfel (1,1,1); (1,1,2);......................; (1,6,6)    (2,1,1); (2,1,2);......................; (2,6,6)  .......................................................... Ereignisraum:     .......................................................... ..........................................................   (6,1,1); (6,1,2);......................; (6,6,6) 

Es gibt 63 = 216 Möglichkeiten Elementarereignis: E = (1,1,1) P (X = Summe 3) =

1 216

Fallstudie 37: Wahrscheinlichkeiten III Zu a) genau einmal Wappen oder genau einmal Zahl ( WWW); ( WWZ); ( WZW); ( ZWW) Ereignisraum     ( ZZZ); ( ZZW); ( ZWZ); ( WZZ) 

Elementarereignis: E = [(WWZ);(WZW);(ZWW);(ZZW);(ZWZ);(WZZ)] P=

6 3  8 4

Zu b) mindestens einmal Wappen oder höchstens zweimal Zahl ( WWW); ( WWZ); ( WZW); ( ZWW) Ereignisraum:     ( ZZZ); ( ZZW); ( ZWZ); ( WZZ) 

Elementarereignis: E = [(WWW);(WWZ);(WZW);(ZWW);(ZZW);(ZWZ);(WZZ)] P=

7 8

Zu c) mindestens einmal Wappen und genau zweimal Zahl ( WWW); ( WWZ); ( WZW); ( ZWW) Ereignisraum:     ( ZZZ); ( ZZW); ( ZWZ); ( WZZ) 

Elementarereignis: E = [(ZZW);(ZWZ);(WZZ)] P=

3 8

5 Lösungen zu den Fallstudien

237

Fallstudie 38: Wahrscheinlichkeiten IV Ziehen einer Kugel aus einer Urne, die 6 schwarze, 5 rote und 4 weiße Kugeln enthält. Zu a) Kugel ist schwarz

P( s) 

6 2   40% 15 5

Zu b) Kugel ist nicht rot P(r ) 

(6  4) 2   66,7% 15 3

Zu c) Kugel ist weiß oder rot P( w  r ) 

(5  4) 3   60% 15 5

Ziehen von zwei Kugeln mit Zurücklegen aus einer Urne, die 6 schwarze, 5 rote und 4 weiße Kugeln enthält. Der Ereignisraum lautet: (SS); (SR ); (SW )      (RS); (RR ); (RW )  ( WS); ( WR ); ( WW)  

Diese Ereignisse haben ganz unterschiedliche Eintrittswahrscheinlichkeiten. Bspw. P(SS) 

6 6 36   15 15 225

oder P( WR ) 

4 5 20   15 15 225

Zu d) keine schwarze Kugel P(S  0)  P(RR )  P(RW )  P( WR )  P( WW) 

5  5  5  4  4  5  4  4 81   36% 15  15 225

Zu e) mindestens eine rote Kugel P ( R  1)  P( SR)  P( RS )  P( RR)  P( RW )  P(WR) 

6  5  5  6  5  5  5  4  4  5 125  15 15 225

5  55,55% 9 Zu f) höchstens eine weiße Kugel 

P( W  1)  1  P( WW )  1 

16 209 44  1   92,89% 225 225 15  15

Ziehen von drei Kugeln ohne Zurücklegen aus einer Urne, die 6 schwarze, 5 rote und 4 weiße Kugeln enthält. Nachfolgend ist der Ereignisraum dargestellt:

238

5 Lösungen zu den Fallstudien

(SSS); (SSR ); (SSW ); (SRS); (SRR ); (SRW ); (SWS); (SWR ); (SWW )      (RSS); (RSR ); (RSW ); (RRS); (RRR ); (RRW ); (RWS); (RWR ); (RWW )  ( WSS); ( WSR ); ( WSW ); ( WRS); ( WRR ); ( WRW); ( WWS); ( WWR ); ( WWW)  

Auch diese Elementarereignisse haben ganz unterschiedliche Eintrittswahrscheinlichkeiten, wobei jetzt pro Ziehung die Basis um eine Kugel verringert wird (da Ziehen ohne Zurücklegen). Bspw. ist P(SSS) 

654 120 436 72   4,4% oder P( WWS)    2,6% 15  14  13 2.730 2.730 2.730

Zu g) alle Kugeln haben die gleiche Farbe P(SSS  RRR  WWW) 

65 4  5 43  43 2 204   7,47% 15  14  13 2.730

Zu h) genau eine Kugel ist weiß P( W  1)  P(SSW )  P(SRW )  P(SWS)  P(SWR )  P(RSW )  P(RRW )  P(RWS)  P(RWR )  P( WSS)  P( WSR )  P( WRS)  P( WRR ) 654  654  645  645  564  544  546  544  465  465  456  454 15  14  13 1.320   48,35% 2.730 

Zu i) keine Kugel ist schwarz P(S  0)  P(RRR )  P(RRW )  P(RWR )  P(RWW)  P( WRR )  P( WRW)  P( WWR )  P( WWW) 

5 43  5 4 4  5 4 4  5 43  45 4  453  435  43 2 504   18,46% 15  14  13 2.730

Fallstudie 39: Bayes-Theorem I Zu a) Pfade, mit den zugehörigen Wahrscheinlichkeiten

5 Lösungen zu den Fallstudien

30 100

239 70 100

A1 60 100

B1

A2 40 100

80 100

B2

B1

20 100

B2

Erläuterung: A1/A2 = Niederlassung 1 und 2 B1/B2 = normgerechte/nicht normgerechte Lampen Zu b) Wahrscheinlichkeit, dass eine defekte Lampe aus Niederlassung A1 stammt P(A1 | B2 ) 

P(A1 )  P(B2 | A1 ) 0,3  0,4   0,4615 P(A1 )  P(B2 | A1 )  P(A 2 )  P(B2 | A 2 ) (0,3  0,4  0,7  0,2)

Zu c) Wahrscheinlichkeit, dass eine normgerechte Lampe aus Niederlassung A2 stammt P(A 2 | B1 ) 

P(A 2 )  P(B1 | A 2 ) 0,7  0,8   0,7568 P(A 2 )  P(B1 | A 2 )  P(A1 )  P(B1 | A1 ) (0,7  0,8  0,3  0,6)

Zu d) Wahrscheinlichkeit, aus dem Gesamtbetrieb eine normgerechte (B1) bzw. defekte Lampe (B2) zu beziehen P(B1 )  P(B1 | A1 )  P(A1 )  P(B1 | A 2 )  P(A 2 )  0,6  0,3  0,8  0,7  0,74

bzw. P(B 2 )  P(B 2 | A1 )  P(A1 )  P(B 2 | A 2 )  P(A 2 )  0,4  0,3  0,2  0,7  0,26

Fallstudie 40: Bayes-Theorem II Die Pfade mit den dazugehörigen Wahrscheinlichkeiten:

240

5 Lösungen zu den Fallstudien

0,995

0,005

A1 0,02

A2 0,99

0,98

B1

B2

B1

0,01

B2

Dabei bedeuten: A1/A2 = Person gesund/Person krank B1/B2 = Test positiv/Test negativ P(A 2 | B1 ) 

P(A 2 )  P(B1 | A 2 ) 0,005  0,99   0,199 P(A 2 )  P(B1 | A 2 )  P(A1 )  P(B1 | A1 ) (0,005  0,99  0,995  0,02)

D.h., die Wahrscheinlichkeit dafür, dass die Person aus der entsprechenden Altersgruppe bei der Diagnose „Krebs“ tatsächlich auch krank ist, beträgt lediglich knapp 20%. Anmerkung: Das Ergebnis mag sicher überraschen, hängt aber sehr stark von der Tatsache ab, dass die untersuchte Person zu einer Altergruppe gehört, in der (lediglich) 0,5% krank sind. Würde die Testperson bspw. zu einer Altersgruppe gehören, in der 5% krank sind, würde die Wahrscheinlichkeit, dass das Testergebnis stimmt, bereits bei über 72% liegen. Fallstudie 41: Kombinatorik Zu a) Es handelt sich um eine Permutation ohne Wiederholung Pow = N! = 4! = 24 Möglichkeiten (1269); (2169); (6129); (9126)   (1296); (2196); (6192); (9162) (1629); (2619); (6219); (9216)   (1692); (2691); (6291); (9261)  (1926); (2916); (6912); (9612)   (1962); (2961); (6921); (9621) 

5 Lösungen zu den Fallstudien

241

Zu b) Es liegt eine Permutation mit Wiederholung vor, denn die Zahl 1 kommt zweimal vor. N! 4! PmW    12 Möglichkeiten n1!  n 2 !  n 3! 2 !  1 !  1 ! (1169); (1196); (1619); (1691); (1916); (1961)    (6119); (6191); (6911); (9116); (9161); (9611)

Zu c) Es handelt sich um eine Variation ohne Zurücklegen N! 6! VoZ    30 (N n)! (6  2)! (AB); (BA); (CA); (DA); (EA); (FA)   (AC); (BC); (CB); (DB); (EB); (FB)      (AD); (BD); (CD); (DC); (EC); (FC)  (AE); (BE); (CE ); (DE); (ED); (FD)    (AF); (BF); (CF); (DF); (EF); (FE) 

Zu d) Es liegt eine Kombination ohne Zurücklegen vor N! 5! K oZ    10 Möglichkeiten n !  (N  n)! 2 !  (5  2)! (AB); (BC); (CD); (DE)   (AC); (BD); (CE )    (AD); (BE)  (AE)  

Zu e) Da nun ebenfalls die Reihenfolge keine Rolle spielt, die Elemente aber mehrfach vorkommen können, handelt es sich um eine Kombination mit Zurücklegen (N  n  1)! (10  6  1)! K mZ    5.005 Möglichkeiten n !  (N  1)! 6 !  (10  1)!

Diese Möglichkeiten können natürlich nicht mehr dargestellt werden. Zu f) Es liegt eindeutig eine Variation vor, bei der Elemente auch mehrfach vorkommen können, deshalb mit Zurücklegen. VmZ  N n  9 3  729 Fallstudie 42: Binomialverteilung I Zu a) Kein Bleistift ist Ausschussware

242

P(X  0) 

5 Lösungen zu den Fallstudien

4 0

 0,2 0  0,8 4  0,4096  40,96%

Die Wahrscheinlichkeit P (X=0) beträgt 40,96%. Zu b) Ein Bleistift ist Ausschussware P(X  1) 

4  0,21  0,83  0,4096  40,96% 1

Die Wahrscheinlichkeit P (X=1) beträgt ebenfalls 40,96%. Zu c) Höchstens zwei Bleistifte sind defekt

Gesucht ist P(X  2) = P(X = 0) + P(X = 1) + P(X = 2)124 P(X  2) 

4 2

 0,2 2  0,8 2  0,1536  15,36%

P(X  2) = 0,4096 + 0,4096 + 0,1536 = 0,9728 = 97,28%

Die Wahrscheinlichkeit, dass höchstens zwei Bleistifte defekt sind, ist also eine zusammengesetzte Wahrscheinlichkeit und beträgt 97,28%. Zu d) Mindestens drei Bleistifte sind Ausschussware P(X  3) geht über die Gegenwahrscheinlichkeit der Aufgabe c) P(X  3) = 1 – 0,9728 = 0,0272 = 2,72%

Alternativ lassen sich natürlich auch die Einzelwahrscheinlichkeiten berechnen: P(X  3) = P(X = 3) + P(X = 4)

P(X  3) 

P(X  4) 

4 3 4 4

 0,2 3  0,81  0,0256  2,56%

 0,2 4  0,8 0  0,0016  0,16%

P(X  3) = 0,0256 + 0,0016 = 0,0272 = 2,72%

Zu e) Erwartungswert und Varianz

E(X) = n . θ = 4 . 0,2 = 0,8

124

Die Wahrscheinlichkeiten für P (X=0) und P (X=1) wurden bereits unter a) und b) berechnet.

5 Lösungen zu den Fallstudien

243

V(X) = n . θ . (1- θ) = 4 . 0,2 . 0,8 = 0,64 Würde man obige Stichprobe also beliebig oft ziehen, würde sich ein Erwartungswert von 0,8 fehlerhaften Bleistiften bei einer Varianz von 0,64 und einer Standardabweichung von 0,8 Bleistiften einstellen. Fallstudie 43: Binomialverteilung II Zu a) θ=0,05, n=10; Die Ware wird zurückgeschickt, bei P(X>1). Die Berechnung erfolgt über die Gegenwahrscheinlichkeit: P(X  1)  1  P(X  0)  P(X  1)

P(X  0) 

P(X  1) 

10  0,05 0  0,9510  0,5987  59,87% 0

10 1

 0,051  0,959  0,3151  31,51%

P(X  1)  1  0,5987  0,3151  0,0862

Die Wahrscheinlichkeit, dass die Ware zurückgeschickt wird, beträgt 8,62%. Zu b) Erwartungswert und Varianz. E(X)  10  0,05  0,5 V(X)  10  0,05  0,95  0,475

Bei einer Stichprobe von n=10 kann im Durchschnitt mit 0,5 Stück Ausschuss gerechnet werden. Die Varianz beträgt 0,475, die daraus abgeleitete Standardabweichung 0,69 Stück. Zu c) θ=0,05, n=15; gesucht wird P(X≤1). P(X  1)  P(X  0)  P(X  1) P(X  0) 

15  0,05 0  0,9515  0,4633  46,33% 0

P(X  1) 

15  0,051  0,9514  0,3658  36,58% 1

P(X  1)  0,4633  0,3658  0,8291  82,91%

Die Wahrscheinlichkeit, dass höchstens ein Produkt in der Losgröße Fehler hat, beträgt 82,91%. Fallstudie 44: Binomialverteilung III – Spieltheorie

Wir betrachten zunächst einmal die Variationsmöglichkeiten der einzelnen Würfel zueinander und leiten daraus die Gewinnwahrscheinlichkeiten ab. Exemplarisch soll dies am Vergleich des gelben mit dem grünen Würfel dargestellt werden.

244 Gelb 0 0 4 4 4 4

5 Lösungen zu den Fallstudien Grün 1 1 1 5 5 5

Jeder Würfel hat sechs Seiten, so dass sich jede Zahl des gelben Würfels mit jeder Zahl des grünen Würfels kombinieren lässt. Aus der Variation mit Zurücklegen erhalten wir also VmZ = Nn = 62 = 36 Möglichkeiten und zwar: 01 01 01 05 05 05

01 01 01 05 05 05

41 41 41 45 45 45

41 41 41 45 45 45

41 41 41 45 45 45

41 41 41 45 45 45

Daraus leitet sich ab, dass der grüne den gelben Würfel mit einer Wahrscheinlichkeit von 24:12, oder im Verhältnis 2:1 schlägt (grün schlägt gelb mit einer Wahrscheinlichkeit θ = 2/3). Gleiche Überlegungen stellen wir zu allen übrigen Würfelpaaren auf und erhalten zusammenfassend folgendes Bild: gelb grün Häufigkeit 0 1 6x 0 5 6x 4 1 12x 4 5 12x grün schlägt gelb 24:12

gelb blau Häufigkeit 0 2 8x 0 6 4x 4 2 16x 4 6 8x blau schlägt gelb 20:16

gelb 0 4

grün blau Häufigkeit 1 2 12x 1 6 6x 5 2 12x 5 6 6x blau schlägt grün 24:12

grün 1 5

blau 2 6

rot 3 3

Häufigkeit 18x 18x

unentschieden

rot 3 3

Häufigkeit 12x 24x

gelb schlägt rot 24:12 rot 3 3

Häufigkeit 24x 12x

rot schlägt blau 24:12

5 Lösungen zu den Fallstudien

245

Daraus leiten sich folgende Strategien des Dozenten ab: Spielt Student den gelben Würfel, spielt der Dozent den grünen Würfel. Spielt Student den grünen Würfel, spielt der Dozent den blauen Würfel. Spielt Student den blauen Würfel, spielt der Dozent den roten Würfel. Spielt Student den roten Würfel, spielt der Dozent den gelben Würfel. In allen Fällen ist die Chance des Dozenten 24:12! Aus der Binomialverteilung lässt sich nun das Risiko ableiten, dass der Dozent verliert. Dazu betrachten wir die Wahrscheinlichkeits- und Verteilungsfunktion zu folgender Verteilung: P(X  k) 

k 0 1 2 3 4 5 6 7 8 9 10 11

11 2 1  ( ) k  ( )11k k 3 3

P (X = k) in % 0,00 0,01 0,12 0,75 2,98 8,35 16,69 23,84 23,84 15,90 6,36 1,16

P(X  k ) in % 0,00 0,01 0,13 0,88 3,86 12,21 28,90 52,74 76,58 92,48 98,84 100,00

Aus obiger Tabelle leitet sich ab, dass das Risiko des Dozenten, weniger als 6 Spiele zu gewinnen, lediglich 12,21% beträgt. Fallstudie 45: Hypergeometrische Verteilung I Zu a) Die Parameter sind: N = 6 (Anzahl der Rettiche); n = 2 (Anzahl der gekauften Rettiche), M = 3 (Anzahl der holzigen Rettiche); k = 0, 1, 2 (hier 0, denn gefragt ist nach der Wahrscheinlichkeit, keinen holzigen Rettich zu kaufen)

246

5 Lösungen zu den Fallstudien

3 3  0 2 P(X  0)   0,2  20% 6 2

Die Wahrscheinlichkeit dafür, keinen holzigen Rettich zu kaufen, liegt also bei 20%. Zu b) Erwartungswert und Varianz E(X)  2 

3 1 6

3 63 62  V(X)  2    0,4 6 6 6 1

Würden wir unseren Retticheinkauf folglich beliebig oft wiederholen, hätten wir durchschnittlich einen holzigen Rettich im Einkaufskorb bei einer Varianz von 0,4 und einer Standardabweichung von 0,63 Rettichen. Fallstudie 46: Hypergeometrische Verteilung II Die Parameter sind: N = 60; n = 10; M = 12 (20% von 60) Zu a) Wahrscheinlichkeit für genau 2 defekte PCs 12 48  2 8 P(X  2)   0,3303  33,03% 60 10 Die Wahrscheinlichkeit für 2 defekte PCs beträgt 33,03%. Zu b) Wahrscheinlichkeit für höchstens 2 defekte Teile P (X ≤ 2) = P (X=0) + P (X=1) + P (X=2) 12 P(X  0) 

0



48 10

60

 0,0867  8,67%

10 12 P(X  1) 

1

 60 10

48 9

 0,2669  26,69%

P (X ≤ 2) = 0,0867 + 0,2669 + 0,3303 = 0,6839 = 68,39%

5 Lösungen zu den Fallstudien

247

Die Wahrscheinlichkeit für höchstens 2 defekte PCs beträgt 68,39%. Zu c) Wahrscheinlichkeit, dass mindestens ein Teil defekt ist P (X ≥ 1) = 1 – P (X=0) P (X ≥ 1) = 1 – 0,0867 = 0,9133 = 91,33% Die Wahrscheinlichkeit für mindestens einen defekten PC beträgt 91,33%. Zu d) Erwartungswert und Varianz M 12 E(X)  n  10  2 N 60 V(X)  n

M N M N n 12 60  12 60  10    10     1,36 N N N 1 60 60 60  1

Würden wir die Stichprobe häufig wiederholen, würde sich ein Mittelwert von 2 defekten PCs einstellen, bei einer Varianz von 1,36 (Standardabweichung von 1,16 PCs). Fallstudie 47: Hypergeometrische Verteilung III – Spieltheorie Dazu müssen wir uns zunächst einmal darüber klar werden, was „gewinnen“ im Lotto bedeutet. In der Lottotrommel befinden sich N = 49 Kugeln, aus denen n = 6 Kugeln ohne Zurücklegen gezogen werden. M = 6 Kugeln haben die geforderte Eigenschaft, sie sind richtig. Hat man nun auf seinem Lottoschein 3, 4, 5 oder gar alle 6 Zahlen richtig angekreuzt, ist man unter den Gewinnern. Auf den ersten Blick eine lohnende Sache? Die Betrachtung aller möglichen Versuchsausgänge, angefangen von k = 0 bis hin zu k = 6 richtigen Zahlen führt zu folgenden Parametern und Wahrscheinlichkeiten: Parameter: N = 49; n = 6; M = 6; k = 0, 1, 2,…,6 6 P(X  0) 

0

1



2

 0,436  43,6%

43 5

49 6 6

P(X  2) 

6

49 6 6

P(X  1) 

43



 49 6

 0,413  41,3%

43 4

 0,1323  13,23%

248

5 Lösungen zu den Fallstudien

6 43  3 3 P(X  3)   0,01765  1,765% 49 6 6 P(X  4) 

4

43



2

49

 0,000968  0,096%

6 6 P(X  5) 

5



43 1

49

0

6 6 P(X  6) 

6

 49

43 0

0

6

Damit kann die Wahrscheinlichkeit berechnet werden, im Lotto zu gewinnen. Gesucht ist P(X  3) . Auch hier können die Einzelwahrscheinlichkeiten der Gewinnränge addiert werden, oder man subtrahiert von 1 die Ränge ohne Gewinne, was etwas schneller geht. P(X  3) = P(X = 3) + P(X = 4) + P(X = 5) + P(X = 6) P(X  3) = 0,01765 + 0,000968 + 0 + 0 = 0,0187 = 1,87%

bzw. P(X  3) = 1 – P(X = 0) – P(X = 1) – P(X = 2) P(X  3) = 1 – 0,436 – 0,413 – 0,1323 = 0,0187 = 1,87%

Die Wahrscheinlichkeit, im Lotto zu gewinnen, beträgt also lediglich 1,87%, d.h. mit einer Wahrscheinlichkeit von 98,13% geht man leer aus. Fallstudie 48: Poissonverteilung I Zu a) Die Wahrscheinlichkeit, dass in dieser Zeitspanne 3 Kunden anrufen, wird mit dem Parameter λ = 3 und k = 3 bestimmt, so dass gilt: λ k  λ 33 P(X  3)   e   2,718 3  0,2241  22,41% k! 3!

5 Lösungen zu den Fallstudien

249

Die Wahrscheinlichkeit, dass exakt 3 Kunden anrufen, beträgt 22,41% Zu b) Die Hotline ist überlastet, wenn mehr als 5 Anrufe eingehen, somit ist nach P(X > 5) gefragt. Dies wird über die Gegenwahrscheinlichkeit berechnet: P(X > 5) = 1 – P(X = 0) – P(X = 1) – P(X = 2) – P(X = 3) – P(X = 4) – P(X = 5) oder kurz: 5

P(X > 5) = 1 -  P(X  i) i 0

k

P(X = k) in %

P(X  k ) in %

0 1 2 3 4 5

4,98 14,94 22,41 22,41 16,80 10,08

4,98 19,92 42,33 64,74 81,54 91,62

Die Wahrscheinlichkeit, dass höchstens 5 Anrufe eingehen beträgt also 91,62%, damit beträgt die Wahrscheinlichkeit einer Überlastung: P(X > 5) = 1 – 0,9162 = 0,0838 = 8,38%. Zu c) Ähnliche Überlegungen gelten für den anderen Callcenter, der für Süddeutschland zuständig ist. Hier ist λ = 4. Die Wahrscheinlichkeit, dass in dieser Zeitspanne 4 Kunden anrufen, beträgt also P(X  4) 

44  2,718 4  0,1954  19,54% 4!

Zu d) Die Wahrscheinlichkeit der Überlastung ergibt sich aus den gleichen Überlegungen wie unter b) 5

P (X > 5) = 1 -  P(X  i) i 0

k

P (X = k) in %

P(X  k ) in %

0 1 2 3 4 5

1,83 7,33 14,65 19,54 19,54 15,63

1,83 9,16 23,81 43,35 62,89 78,52

250

5 Lösungen zu den Fallstudien

Die Wahrscheinlichkeit, dass höchstens 5 Anrufe eingehen beträgt also 78,52%, damit beträgt die Wahrscheinlichkeit einer Überlastung: P (X > 5) = 1 – 0,7852 = 0,2148 = 21,48% Zu e) Zunächst muss man die Frage stellen, wie die Überlastung vor der Zusammenlegung definiert ist. Gehen wir einmal davon aus, dass unter Überlastung verstanden wird, dass mindestens eine der beiden Hotlines überlastet ist, so beträgt die Wahrscheinlichkeit (nach dem Additionssatz): 0,0838 + 0,2148 – 0,0838 . 0,2148 = 0,2806 = 28,06% Legen wir beide Hotlines zusammen, so stellt sich der Ansatz der Poissonverteilung nun mit dem Erwartungswert λ = 7 (λ1 = 3 und λ2 = 4) dar. Zu einer Überlastung kommt es, wenn insgesamt mehr als 10 Anrufe (Addition der beiden Hotlines) eingehen. Für λ = 7 erhalten wird folgende Poissonwahrscheinlichkeitsfunktion und –Verteilung. k 0 1 2 3 4 5 6 7 8 9 10

P (X = k) in % 0,09 0,64 2,23 5,21 9,12 12,77 14,90 14,90 13,04 10,14 7,10

P (X ≤ k) in % 0,09 0,73 2,96 8,17 17,29 30,06 44,96 59,86 72,90 83,04 90,14

10

P(X > 10) = 1 -  P(X  i) = 1 – 0,9014 = 0,0986 = 9,86% i 0

Durch die Zusammenlegung der beiden Hotlines würden wir also eine deutliche Reduktion der Überlastungsgefahr erhalten! Fallstudie 49: Poissonverteilung II Parameter: λ1 = 6 (intern); λ2 = 2 (extern) Zu a) Wahrscheinlichkeit, dass während einer beliebigen Stunde genau 8 interne Aufträge eintreffen 68 P(X  8)   2,718 6  0,1033  10,33% 8! Die Wahrscheinlichkeit, dass genau 8 interne Aufträge eintreffen, beträgt 10,33%.

5 Lösungen zu den Fallstudien

251

Zu b) Gefragt ist nach der Wahrscheinlichkeit, dass während einer beliebigen Stunde nicht alle eintreffenden externen Aufträge ausgeführt werden können. Die beiden Lagerdisponenten F und G können jeweils 2 Aufträge, also zusammen 4 Aufträge ausführen. Gefragt ist also nach P(X > 4), bei λ2 = 2 P(X > 4) = 1 – P(X ≤ 4) = 1 – 0,9473 (aus Tabelle mit λ = 2 und k = 4) = 0,0527 = 5,27% Die Wahrscheinlichkeit, dass nicht alle externen Aufträge ausgeführt werden können, beträgt 5,27%. Zu c) Vorüberlegung: Die errechneten 9,3%, dass in einer beliebigen Stunde nicht alle internen und/oder externen Aufträge ausgeführt werden können, ermitteln sich aus dem Additionssatz durch Summation der einzelnen Überlastungen abzüglich der Schnittmenge: 5 Lageristen für interne Aufträge können insgesamt 10 Aufträge bei einer durchschnittlichen Bearbeitungslast von λ1 = 6 Aufträgen/Stunde und 2 Lageristen für externe Aufträge können insgesamt 4 Aufträge bei einer durchschnittlichen Bearbeitungslast von λ2 = 2 Aufträgen/Stunde ausführen. Daraus ergeben sich die (Überlastungs)Wahrscheinlichkeiten wie folgt: P(X > 10) = 1 – P(X ≤ 10) = 1 – 0,9574 (mit λ1 = 6) = 0,0426 = 4,26% P(X > 4) = 1 – P(X ≤ 4) = 1 – 0,9473 (λ2 = 2) = 0,0527 = 5,27% Kumuliert: 0,0426 + 0,0527 – 0,0426 . 0,0527 = 0,093 = 9,3% Nachdem nun Disponent G in Rente geht, verbleiben insgesamt 6 Disponenten für alle anfallenden Aufgaben. Diese sind bei mehr als 12 Aufträgen überlastet, die durchschnittlichen Aufträge/Stunde für interne und externe Angelegenheiten fallen nun zusammen, es gilt: λ = λ 1 + λ2 = 6 + 2 = 8 Daraus leitet sich die neue Überlastungswahrscheinlichkeit ab: P(X > 12) = 1 – P(X ≤ 12) = 1 – 0,9362 = 0,0638 = 6,38% D.h., durch die erfolgte Zusammenführung der Aufgabenbereiche kommt es trotz der Personaleinsparung zu einer Verbesserung der Überlastungswahrscheinlichkeit, die von 9,3 auf 6,38% gesunken ist. Fallstudie 50: Multinomialverteilung I Die Parameter sind: θ 1 = 0,7; θ2 = 0,2; θ3 = 0,1;

X1 = 4; X2 = 3; X3 = 1

Die Wahrscheinlichkeit errechnet sich aus: P(X1 = 4, X2 = 3, X3 = 1) =

8!  0,7 4  0,2 3  0,11  0,0538  5,38% 4!  3!  1!

Die Wahrscheinlichkeit für 4 Dosen I. Wahl, 3 Dosen II. Wahl und 1 Dose III. Wahl beträgt folglich 5,38%.

252

5 Lösungen zu den Fallstudien

Fallstudie 51: Multinomialverteilung II Die Parameter sind: N=50; n=8; M1=35; M2=10; M3=5;

k1=4; X2 = 3; X3 = 1

35 10 5   4 3 1  0,0585 P(X1  4, X 2  3, X 3  1)  50 8

Die Wahrscheinlichkeit für 4 Dosen I. Wahl, 3 Dosen II. Wahl und 1 Dose III. Wahl beträgt somit 5,85%. Fallstudie 52: Standardnormalverteilung I Zu a) Umsatzerlös von höchstens 13 Mio. € Der z-Wert ermittelt sich aus: z

x  μ 13  10   1,5 F(1,5) = 0,9332 σ 2

F(x  13) = 0,9332 = 93,32%

Mit einer Wahrscheinlichkeit von 93,32% beträgt der Umsatzerlös höchstens 13 Mio. €. Zu b) Umsatzerlös von mindestens 9 Mio. € Der z-Wert ermittelt sich aus: z

9  10  0,5 2

F(-0,5) = 0,3085

F( x  9) = 1 - 0,3085 = 0,6915 = 69,15%

Die Wahrscheinlichkeit, dass der Umsatzerlös mindestens 9 Mio. € beträgt, liegt bei 69,15%. Zu c) Umsatzerlös zwischen 8 und 12 Mio. € Gesucht ist der zentrale Bereich um μ = 10, d.h. jeweils eine Abweichung um 2 Jahre. Es genügt deshalb, einen Wert zu ermitteln und dann beim zentralen Wert D(z) nachzuschlagen: z

12  10  1 ; D(1) = 0,6827 2

F(8  x  12) = 0,6827 = 68,27%

Die zentrale Abweichung von 2 Jahren um den Mittelwert (10 Jahre) führt zu einer Wahrscheinlichkeit von 68,27%.

5 Lösungen zu den Fallstudien

253

Zu d) Umsatzerlös zwischen 9 und 13 Mio. € z1 

13  10  1,5 2

F(1,5) = 0,9332

z2 

9  10  0,5 2

F(-0,5) = 0,3085

F(9  x  13) = 0,9332 – 0,3085 = 0,6247 = 62,47%

Im Gegensatz zu Aufgabe c) ist hier nicht nach einem zentralen Bereich gefragt, so dass die einzelnen z-Werte bestimmt werden mussten. Mit einer Wahrscheinlichkeit von 62,47% liegt der Umsatzerlös zwischen 9 und 13 Mio. €. Fallstudie 53: Standardnormalverteilung II Zu a) Zeit zwischen Auftragseingang und Auslieferung unter 12,5 Tage Achtung! In der Aufgabenstellung wurde nicht die Standardabweichung σ, sondern die Varianz σ2 angegeben, aus der zunächst die Standardabweichung zu berechnen ist. z

12,5  15  1,25 ; 2

F(-1,25) = 0,1056

F( x  12,5) = 0,1056 = 10,56%

Lediglich 10,56% beträgt die Wahrscheinlichkeit, dass die Zeitspanne zwischen Auftragseingang und Auslieferung weniger als 12,5 Tage ist. Zu b) Zeit zwischen Auftragseingang und Auslieferung über 19 Tage z

19  15  2 ; F(2) = 0,9772 2

F( x  19) = 1 – 0,9772 = 0,0228 = 2,28%

In 2,28% aller Fälle ist die Zeitspanne größer als 19 Tage. Zu c) In welchem Bereich liegt die Zeit in 95% der Fälle? Gesucht ist hier der mittlere 95%-Bereich der Gaußschen Glockenkurve. Der korrespondierende z-Wert zu D(z) = 0,95 ist 1,96. z

x μ aufgelöst nach x ergibt: σ

x = μ + z . σ (für z > 0) und x = μ - z . σ (für z < 0) Daraus folgen: x1 = 15 + 1,96 . 2 = 18,92 und x2 = 15 - 1,96 . 2 = 11,08.

254

5 Lösungen zu den Fallstudien

In 95% aller Fälle (mittlerer Bereich) liegt die Zeit zwischen Auftragseingang und Auslieferung der Ware zwischen 11,08 und 18,92 Tagen. Fallstudie 54: Gleichverteilung Zu a) Dichtefunktion 1  1  für 8  x  15  f(x)   (15  8) 7 0 sonst 

Zu b) Verteilungsfunktion 0   (x  8) F(x)    (15  8)  1

für x  8 für 8  x  15 für x  15

Zu c) Eigenkapitalrentabilität höchstens 10% (mindestens 12%) F( x  10) 

(10  8)  0,286  28,6% (15  8)

F( x  12)  1 

(12  8)  1  0,571  0,429  42,9% (15  8)

Die Wahrscheinlichkeit für eine Eigenkapitalrentabilität von höchstens 10% (mindestens 12%) liegt bei 28,6% (42,9%). Zu d) Erwartungswert und Varianz E( x ) 

(15  8)  11,5% 2

V( x ) 

(15  8) 2  4,08% 12

Fallstudie 55: Dreiecksverteilung Zu a) Dichtefunktion

5 Lösungen zu den Fallstudien 2( x  900)   (1.700  900)  (1.200  900)    2(1.700  x )  f (x)    (1.700  1.200)  (1.700  900)   sonst 0 

255 für 900  x  1.200

für 1.200  x  1.700

Zu b) Verteilungsfunktion  ( x  900) 2   (1.700  900)  (1.200  900)    (1.700  x ) 2 F( x )  1   (1.700  900)  (1.700  1.200)   sonst 0  

für 900  x  1.200

für 1.200  x  1.700

Zu c) Wahrscheinlichkeit, dass die Kosten des neuen Produktes maximal 1.200,- € betragen

F( x  1.200) 

(1.200  900) 2 90.000   0,375  37,5% (1.700  900)  (1.200  900) 240.000

Zur Beantwortung der Frage musste die erste Teilfunktion der Verteilungsfunktion gewählt werden, da diese exakt bis zur Grenze c gilt. Die Wahrscheinlichkeit beträgt 37,5%, dass die Kosten des neuen Produktes maximal 1.200,- € betragen. Zu d) Wahrscheinlichkeit, dass die Kosten zwischen 1.000,- € und 1.300,- € liegen

Die Beantwortung erfolgt in Teilschritten. Zunächst wird die Wahrscheinlichkeit der unteren Grenze (1.000,- €) ausgerechnet, dann die der Obergrenze (1.300,- €). Von dieser Wahrscheinlichkeit ist dann die Wahrscheinlichkeit der Untergrenze abzuziehen. F( x  1.000) 

(1.000  900) 2 10.000   0,0416  4,16% (1.700  900)  (1.200  900) 240.000

F( x  1.300)  1 

(1.700  1.300) 2 160.000  1  0,6  60% (1.700  900)  (1.700  1.200) 400.000

F(1.000  x  1.300)  0,6  0,0416  0,5584  55,84%

256

5 Lösungen zu den Fallstudien

Die Wahrscheinlichkeit, einen Kostenwert zwischen 1.000,- € und 1.300,- € zu erhalten, liegt bei 55,84%. Zu e) Erwartungswert und Varianz E(x ) 

(a  b  c) (900  1.700  1.200)  1.266,67 €  3 3

(a  b) 2  (b  c) 2  (a  c) 2 (900  1.700) 2  (1.700  1.200) 2  (900  1.200) 2   36 36  27.222, 22 €

V ( x) 

Der Erwartungswert liegt bei 1.266,67 €, die Varianz beläuft sich auf 27.222,22 €, die daraus abgeleitete Standardabweichung beträgt 165,- €. Fallstudie 56: Exponentialverteilung Zu a) Dichte- und Verteilungsfunktion 0,008e 0,008 x  f (x)   0 sonst 

für x  0

1  e 0,008 x für x  0 F( x )   0 sonst

Zu b) Wahrscheinlichkeit, dass die Kühlschränke innerhalb der ersten 15 Tage ausfallen F( x )  1  e 0,008  15  0,113

Die Wahrscheinlichkeit des Ausfalls innerhalb der ersten 15 Tage liegt bei 11,3%. Zu c) Wahrscheinlichkeit, dass die Kühlschränke eine Lebensdauer von mindestens 130 Tage haben F( x )  1  1  e 0,008  130  0,3535

Die Wahrscheinlichkeit für eine Lebensdauer von mehr als 130 Tagen liegt bei 35,35%: Zu d) Erwartungswert und Varianz E(x )  V( x ) 

1  125 Tage bzw. 0,008 1 0,008 2

 15625

Die durchschnittliche Zeit, bis ein Kühlschrank ausfällt, liegt bei 125 Tagen.

5 Lösungen zu den Fallstudien

257

Fallstudie 57: Approximation I Es handelt sich um die Binomialverteilung mit n  50 und   0,25. Gesucht ist P(X  20). Es wären also sehr viele Rechenschritte mittels der Formel zur Binomialverteilung durchzuführen. Als Ergebnis erhielte man P(X > 19) = 0,0139 = 1,39% Die Approximationsregel (50.0,25.0,75>9) lässt eine Substitution der Binomial- durch die Standardnormalverteilung zu mit den Parametern: μ = n . θ = 50 . 0,25 = 12,5 und σ2 = n . θ . Q = 50 . 0,25 . 0,75 = 9,375 gesucht: P(X  20)  1  P(X  20) z

19,5  12,5 9,375

 2,28 → P(X 9 können wir aber die Approximation durch die Standardnormalverteilung vornehmen. Die Parameter sind μ = 90 und σ = 90 = 9,4868. Daraus ergibt sich ein z-Wert von:

258

z

5 Lösungen zu den Fallstudien

99,5  90  1,00 → P(X  99)  0,8413 9,4868

1 – 0,8413 = 0,1587 = 15,87% Der exakte, hier nicht berechnete Wert der Poissonverteilung beträgt 15,82%, auch hier erfahren wir eine gute Annäherung. Fallstudie 60: Schätzen I Zu a) Das 95%-Konfidenzintervall für die durchschnittliche Kilometerleistung μ der Grundgesamtheit dieses PKW-Typs wird bestimmt durch

x  z  σx  μ  x  z  σx mit: σ x 

σ n

x  93 σx 

5 30

 0,913

Der z-Wert auf dem 95%-Niveau beträgt 1,96 Aus diesen Informationen leitet sich das Konfidenzintervall ab: 93  1,96  0,913  μ  93  1,96  0,913 91,21  μ  94,79

Mit einer 95%-Wahrscheinlichkeit liegt die durchschnittliche Fahrleistung der PKW in der Grundgesamtheit zwischen 91,21 und 94,79 Kilometer. Zu b) Gegenüber Aufgabenstellung a) ändert sich lediglich der z-Wert, der nun 2,58 beträgt. Aus allen anderen, sonst bekannten Informationen leitet sich das neue Konfidenzintervall ab: 93  2,58  0,913  μ  93  2,58  0,913 90,64  μ  95,36

Mit einer 99%-Wahrscheinlichkeit liegt die durchschnittliche Fahrleistung der PKW in der Grundgesamtheit nun zwischen 90,64 und 95,36 Kilometer. Folglich hat die Erhöhung des Vertrauensbereichs auf 99% zu einer Vergrößerung des Konfidenzintervalles geführt. Zu c) Ändert sich der Stichprobenumfang auf 60 PKW, ändert sich gegenüber Aufgabenstellung a) lediglich der Schätzwert für die Standardabweichung des Stichprobenmittelwertes auf

5 Lösungen zu den Fallstudien σx 

5 60

259

 0,645

und somit das Konfidenzintervall auf: 93  1,96  0,645  μ  93  1,96  0,645 91,73  μ  94,26

Mit einer 95%-Wahrscheinlichkeit liegt die durchschnittliche Fahrleistung der PKW in der Grundgesamtheit jetzt zwischen 91,73 und 94,26 Kilometer. Durch den nun größeren Stichprobenumfang ergibt sich ein engeres Intervall. Fallstudie 61: Schätzen II Zur Lösung der Aufgabe müssen zunächst das (gewogene) arithmetische Mittel sowie die Varianz und Standardabweichung der Stichprobe berechnet werden. Dazu bietet sich folgende Arbeitstabelle an: Einkommen (xi)

ni

1.000 1.500 1.800 2.800 3.200

xi  ni

(x i  x) 2

2 2.000 7 10.500 11 19.800 3 8.400 5 16.000 ∑ = 28 ∑ = 56.700 56.700 x  2.025 28

n i  (x i  x) 2

2.101.250 1.929.375 556.875 1.801.875 6.903.125 ∑ = 13.292.500 13.292.500 s2   474.732,14 28

Daraus ergeben sich die für das Konfidenzintervall relevanten Parameter: x  2.025 sowie s  474.732,14  689

so dass σ x 

s n



689 28

 130,21

t erhalten wir für n-1 = 27 Freiheitsgrade auf dem 95%igen (zentralen) Konfidenzniveau. Der t-Wert beträgt 2,052. Für das Konfidenzintervall für μ gilt:

x  t  σ x  μ  x  t  σ x und somit 2.025  2,052  130,21  μ  2.025  2,052  130,21 1.758  μ  2.292

260

5 Lösungen zu den Fallstudien

Mit einer 95%-Wahrscheinlichkeit liegt das durchschnittliche Einkommen der Grundgesamtheit im Intervall 1.758 bis 2.292 €. Fallstudie 62: Schätzen III Gesucht ist das Konfidenzintervall: p  z  p    p  z  p

mit  p  p

p  (1  p) Ziehen mit Zurücklegen, da große Grundgesamtheit n

47  0,25 188

p 

0,25  (1  0,25)  0,031 188

Der gesuchte z-Wert für das 95,45%-Konfidenzniveau beträgt 2. Damit ergibt sich folgendes Konfidenzintervall für den Anteilswert: 0,25 – 2 . 0,031 ≤ θ ≤ 0,25 + 2 . 0,031 0,188 ≤ θ ≤ 0,312 Mit einer Wahrscheinlichkeit von 95,45% liegt also der Anteil der fehlerhaften Produkte in der Grundgesamtheit zwischen 18,8 und 31,2%. Fallstudie 63: Schätzen IV Gesucht wird das Konfidenzintervall: ( x1  x 2 )  t   D  1   2  ( x1  x 2 )  t   D

wobei nun aufgrund der großen Stichprobenumfänge (ni>30) die Student- durch die Normalverteilung ersetzt werden kann. Der z = Wert aus der Standardnormalverteilung auf dem 99%-Niveau liefert 2,58. Der Schätzwert für die Standardabweichung der Differenz ergibt  D 

s1 2 s 2 2   n1 n 2

49.000.000 56.250.000   1.073,20 100 85

Aus diesen Informationen leitet sich das Konfidenzintervall ab: (38.000  35.500)  2,58  1.073,20  1   2  (38.000  35.500)  2,58  1.073,20 268,86  1   2  5.268,86

Somit liefert das 99%-Konfidenzintervall eine Abweichung der Mittelwerte der Grundgesamtheit μ1-μ2 in der Bandbreite von 268,86 bis 5.268,86 km.

5 Lösungen zu den Fallstudien

261

Fallstudie 64: Schätzen V Gesucht wird das Konfidenzintervall (p1  p 2 )  z   D  1   2  (p1  p 2 )  z   D

Die Anteilswerte lauten: p1 

140 108  0,35 p 2   0,24 400 450

Der z = Wert aus der Standardnormalverteilung beträgt 1,96. Der Schätzwert für die Standardabweichung der Stichprobendifferenz errechnet sich aus:  D 

0,35  (1  0,35) 0,24  (1  0,24)   0,0312 400 450

Es ergibt sich das gesuchte Konfidenzintervall: (0,35  0,24)  1,96  0,0312  1   2  (0,35  0,24)  1,96  0,0312 0,0488  1   2  0,1712

Die Abweichung der Anteilswerte der Grundgesamtheit liegt, bei einem Vertrauensniveau von 95%, zwischen 4,88 und 17,12%. Fallstudie 65: Schätzen VI Nachfolgende Arbeitstabelle führt zur Ermittlung der beiden Stichprobenvarianzen s21 und s22: Tag 1 2 3 4 5 6 7 8 9 10 11

M1 (xi) 5,0 4,8 5,2 5,4 5,0 5,1 4,7 4,9 5,3 5,0 4,6 x = 5,0

M2 ( x i  x ) 2 ( y i  y) 2 (yi) 5,7 0,00 0,49 3,9 0,04 1,21 4,9 0,04 0,01 7,1 0,16 4,41 7,5 0,00 6,25 2,1 0,01 8,41 5,1 0,09 0,01 6,2 0,01 1,44 4,1 0,09 0,81 3,5 0,00 2,25 4,9 0,16 0,01 y = 5,0 Σ = 0,60 Σ = 25,30

262

5 Lösungen zu den Fallstudien

Die Werte ergeben sich wie folgt: s 21 

0,60  0,0545 11

ν1 = n1-1 = 11-1 = 10

s22 

25,3  2,3 11

ν2 = n2-1=11-1=10

F1 2

= F0,975;10;10 = 2,978 der rechtsseitige kritische Wert der F-Verteilung

1 F 21

= F0,025;10;10 =

1 2,978

= 0,3358 der linksseitige kritische Wert der F-Verteilung

Das Konfidenzintervall wird folglich bestimmt aus: 2 0,0545 1 0,0545   1  2,978 2 2,3 2,978  2,3 2 0,008 

 21  0,071  22

Mit einer Wahrscheinlichkeit von 95% kann also davon ausgegangen werden, dass der Quotient der beiden Varianzen der Grundgesamtheit, σ21/σ22, zwischen 0,008 und 0,071 liegt. Fallstudie 66: Schätzen VII Wir benötigen eine Reihe von Arbeitstabellen. Zunächst werden die Regressionsparameter der Stichprobe b1 und b2 geschätzt: xi [in Tsd. m2] 0,31 0,98 1,21 1,29 1,12 1,49 0,78 0,94 1,29 0,48 0,24 0,55 x = 0,89

yi [in Mio. €] 2,93 5,27 6,85 7,01 7,02 8,35 4,33 5,77 7,68 3,16 1,52 3,15 y = 5,25

xi  x

yi  y

( x i  x )  ( y i  y)

(x i  x) 2

-0,58 0,09 0,32 0,40 0,23 0,60 -0,11 0,05 0,40 -0,41 -0,65 -0,34

-2,32 0,02 1,60 1,76 1,77 3,10 -0,92 0,52 2,43 -2,09 -3,73 -2,10

1,35 0,00 0,51 0,70 0,41 1,86 0,10 0,03 0,97 0,86 2,43 0,71 Qxy = 9,93

0,34 0,01 0,10 0,16 0,05 0,36 0,01 0,00 0,16 0,17 0,42 0,12 Qxx = 1,90

5 Lösungen zu den Fallstudien

263

Die beiden Regressionsparameter der Stichprobe errechnen sich aus: b2 

Q xy Q xx



9,93  5,226 und 1,90

b1  y  b 2  x  5,25  5,226  0,89  0,6

Die Regressionsgerade lautete somit yˆ  0,6  5,226  x Im Anschluss sind die Komponenten des Bestimmtheitsmaßes zu berechnen. Es gilt: n

n



SQR   ( y i  y i ) 2

i 1

i 1



n

SQE   ( y i  y) 2

SQT   (y i  y) 2

i 1

Es errechnen sich die Werte: yi

xi

2,93 5,27 6,85 7,01 7,02 8,35 4,33 5,77 7,68 3,16 1,52 3,15

0,31 0,98 1,21 1,29 1,12 1,49 0,78 0,94 1,29 0,48 0,24 0,55



( y i  y) 2

2,22 5,72 6,92 7,34 6,45 8,39 4,68 5,51 7,34 3,11 1,85 3,47

5,40 0,00 2,55 3,09 3,12 9,59 0,85 0,27 5,89 4,38 13,94 4,42

yi



9,20 0,22 2,79 4,36 1,44 9,82 0,33 0,07 4,36 4,60 11,55 3,16

∑ = 53,5 ∑ = 51,9

y = 5,25



( y i  y) 2 ( y i  y i ) 2

0,50 0,20 0,01 0,11 0,32 0,00 0,12 0,07 0,11 0,00 0,11 0,11

xi2

0,10 0,96 1,46 1,66 1,25 2,22 0,61 0,88 1,66 0,23 0,06 0,30

∑ = 1,66 ∑ = 11,39

Wir können also bestimmen: b1  0,6 ;

b 2  5,226 ;

t = 2,228 (auf dem 95%-Niveau mit 10 Freiheitsgraden)

s2E 

1 1 2  1,66  0,166 e i  n 2 12  2

s 2 b1 

11,39  xi  s2E   0,166  0,083 2 12  1,9 n  (x i  x )

2

264

5 Lösungen zu den Fallstudien

s 2 b2 

s2E  (x i  x )



2

0,166  0,087 1,9

Daraus leiten sich die Standardabweichungen ab: s b1  0,083  0,288 und s b2  0,087  0,295

Wir erhalten die beiden Konfidenzintervalle: 0,6  2,228  0,288  β1  0,6  2,228  0,288 0,04  β1  1,24 bzw. 5,226  2,228  0,295  β 2  5,226  2,228  0,295 4,57  β 2  5,88

Mit der vorgegebenen Wahrscheinlichkeit von 95% bewegen sich die beiden Regressionsparameter der Grundgesamtheit β1 und β2 im Intervall von -0,04 bis 1,24 bzw. 4,57 bis 5,88. Fallstudie 67: Schätzen VIII Zu a) Es gilt die Beziehung n

z 2  2 (  ) 2



1,96 2  1.800 2 180 2

 384,16

Der Stichprobenumfang muss also mindestens 385 Personen betragen, um zu einem aussagefähigen Ergebnis zu kommen. Zu b) Hierbei gilt: n

z 2    (1  ) ()

2



1,65 2  0,3  0,7 0,05 2

 228,69

Es müssten folglich mindestens 229 Personen befragt werden, damit der Anteil der Partei bei der (hypothetischen) Bundestagswahl verlässlich geschätzt werden kann. Fallstudie 68: Value at Risk I Aus dem Stückdeckungsbeitrag von 15,- € und den Fixkosten von 500.000 € ergibt sich folgende Gewinntabelle:

5 Lösungen zu den Fallstudien Absatzmenge 25.000 30.000 35.000 40.000 45.000 50.000

265

Gewinn in € -125.000 -50.000 25.000 100.000 175.000 250.000

Gewichtet mit den Eintrittswahrscheinlichkeiten ergibt sich der erwartete Gewinn: μG = -125.000.0,08 – 50.000.0,12 + 25.000.0,3 + 100.000.0,3 + 175.000.0,12 + 250.000.0,08 = 62.500 € Daraus leiten sich Varianz und Standardabweichung ab: σ2 = (-125.000-62.500)2.0,08 + (-50.000-62.500)2.0,12 + (25.000-62.500)2.0,3 + (100.00062.500)2.0,3 + (175.000-62.500)2.0,12 + (250.000-62.500)2.0,08 = 9.506.250.000 σ = 97.500 € Aus der Standardabweichung ergibt sich, beim vorgegebenen 95%-Konfidenzniveau, der Value at Risk: -1,645 . 97.500 + 62.500 = -97.887,50 € Mit einer Wahrscheinlichkeit von 95% wird also der Verlust von 97.887,50 € nicht überschritten, d.h. die Stühle werden produziert. Fallstudie 69: Value at Risk II Eine Rendite von 8% bedeutet einen erwarteten Gewinn μG von 400.000 €. Die Standardabweichung σ beträgt bei unterstellten 18% 72.000 €. Daraus leitet sich ein z-Wert von (300.000-400.000)/72.000 = -1,39 ab, woraus sich eine Wahrscheinlichkeit von 8,23% ergibt. So groß ist die Wahrscheinlichkeit, dass der Gewinn unterhalb von 300.000 € liegt. Fallstudie 70: Testen I Bekannt: x = 876g; μ0 = 870g; σ = 85g; n = 71 1.

Schritt: Aufstellung der Hypothesen

H0 = 870g HA > 870g (einseitiger Test) 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung mit der Prüfgröße

266

z=

5 Lösungen zu den Fallstudien x  μ0 σ n

3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen einseitigen Test, so dass sich aus der Tabelle der Normalverteilung für α = 0,01 ein kritischer Wert von zk = 2,33 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird die H0-Hypothese abgelehnt. 4.

Schritt: Berechnung der Prüfgröße

z=

876  870 x  μ0 = 0,59 = σ 85 n

5.

71

Schritt: Entscheidung und Interpretation = 0,59 < zk = 2,33, wird die H0-Hypothese nicht abgelehnt, es kann also bei einer

Da z

Irrtumswahrscheinlichkeit von 1% davon ausgegangen werden, dass das neue Düngemittel keinen signifikanten Einfluss auf das Durchschnittsgewicht der Salatgurke hat. Fallstudie 71: Testen II Bekannt: x = 1,93 kg; μ0 = 2 kg; s = 0,25 kg; n = 30 1.

Schritt: Aufstellung der Hypothesen

H 0   2kg H A   2kg (einseitiger Test)

2.

Schritt: Festlegung der Prüfgröße

Studentverteilung mit ν = n – 1 Freiheitsgraden und der Prüfgröße t=

x  μ0 s n

3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen einseitigen Test, da uns Abweichungen nach oben an dieser Stelle nicht interessieren, so dass sich aus der Tabelle der t-Verteilung für α = 0,05 ein kritischer Wert von tk = 1,699 (29 Freiheitsgrade) ergibt. Ist also der Betragswert der Prüfverteilung t > tk, so wird die H0-Hypothese abgelehnt.

5 Lösungen zu den Fallstudien

267

4.

Schritt: Berechnung der Prüfgröße

t=

x  μ0 1,93  2 =  1,53 s 0,25 n

5. Da

30

Schritt: Entscheidung und Interpretation t

= 1,53 < tk = 1,699, kann die H0-Hypothese und damit die Behauptung des Her-

stellers nicht widerlegt werden. Fallstudie 72: Testen III Zu a) Bekannt sind θ=0,24; p=0,22 (66/300); n=300 1.

Schritt: Aufstellung der Hypothesen

H0: θ = 0,24 HA: θ < 0,24 (einseitiger Test) 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung mit der Prüfgröße z=

3.

p 0

 0 (1   0 ) n

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen einseitigen Test, so dass sich aus der Tabelle der z-Verteilung für α = 0,01 ein kritischer Wert von zk = 2,33 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird H0 abgelehnt. 4. z=

5.

Schritt: Berechnung der Prüfgröße p 0  0 (1   0 ) n

=

0,22  0,24 0,24  0,76 300

 0,81

Schritt: Entscheidung und Interpretation

Da z = 0,81 < zk = 2,33, wird die H0-Hypothese beibehalten, der Ausschussanteil hat sich nicht signifikant verbessert. Zu b) Wir lösen die Prüfgröße nach p auf und erhalten:

268

5 Lösungen zu den Fallstudien

p  z

 0  (1   0 ) 0,24  (1  0,24)   0  2,33   0,24  0,1825 n 300

Der Ausschussanteil hätte maximal 18,25% (von 300) und somit gerundet 54 Stück betragen dürfen, um H0 zu verwerfen. Fallstudie 73: Testen IV Bekannt: n1 = 35; n2 = 40; x1 = 41,5; s1 = 4,21; x 2 = 44,8; s2 = 4,62 1.

Schritt: Aufstellung der Hypothesen

H 0: μ 1 = μ 2 HA: μ1 ≠ μ2 (zweiseitiger Test) 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung mit der Prüfgröße z=

3.

x1  x 2 s 21 s 2 2  n1 n 2

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, so dass sich aus der Tabelle der z-Verteilung für α = 0,01 ein kritischer Wert von zk = 2,58 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird die H0-Hypothese abgelehnt. 4. z=

Schritt: Berechnung der Prüfgröße x1  x 2 s 21

2

s 2  n1 n 2

5.

=

41,5  44,8 17,72 21,34  35 40

= -3,236

Schritt: Entscheidung und Interpretation

Da z = 3,236 > zk = 2,58, wird die H0-Hypothese abgelehnt, es muss also von einem signifikanten Unterschied zwischen den Brenndauern der beiden Lampengattungen der Hersteller ausgegangen werden. Fallstudie 74: Testen V Bekannt: n1 = 180; n2 = 150; x1 = 36; x2 = 18 1.

Schritt: Aufstellung der Hypothesen

H 0: θ 1 = θ 2

5 Lösungen zu den Fallstudien

269

H A : θ 1 ≠ θ 2. 2.

Schritt: Festlegung der Prüfgröße

Standardnormalverteilung mit der Prüfgröße (p1  p 2 )

z

p  (1  p)

Dabei gilt: p 

(n1  n 2 ) n1  n 2 (n 1  p1  n 2  p 2 ) (n1  n 2 )

p ist also der mit den Stichprobengrößen gewichtete durchschnittliche Anteilswert der gesamten Stichprobe. 3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, so dass sich aus der Tabelle der z-Verteilung für α = 0,05 ein kritischer Wert von zk = 1,96 ergibt. Ist also der Betragswert der Prüfverteilung z > zk, so wird die H0-Hypothese abgelehnt. 4.

Schritt: Berechnung der Prüfgröße

p1 

p z

5. Da

x 1 36   0,20 n1 180

p2 

x2 18   0,12 n 2 150

(180  0,2  150  0,12)  0,1636 (180  150) (0,2  0,12) (180  150) 0,1636  (1  0,1636) 180  150

 1,956

Schritt: Entscheidung und Interpretation z

= 1,956< zk = 1,96, wird die H0-Hypothese nicht abgelehnt, der unterschiedliche

Ausschussanteil (8% Differenz), also der Anteil der mängelbehafteten Rohstoffe weicht nicht signifikant voneinander ab. Fallstudie 75: Testen VI Für die Lösung muss eine Arbeitstabelle erstellt werden, aus der die Varianzen der beiden Betriebe abgeleitet werden können:

270

5 Lösungen zu den Fallstudien

Löhne A (xi) 8,23 13,94 18,24 13,71 10,20 6,14 16,28 7,57 7,11 10,24

Löhne B (yi) 10,24 10,91 10,24 13,71 10,20 11,10 12,41 11,00 11,61 10,24

x  11,166

y  11,166

(x i  x) 2

( y i  y) 2

8,620 7,695 50,041 6,472 0,933 25,261 26,153 12,931 16,451 0,857 ∑ = 155,414

0,857 0,066 0,857 6,472 0,933 0,004 1,548 0,028 0,197 0,857 ∑ = 11,819

Daraus ergeben sich die beiden Stichprobenvarianzen: s 21 

1 n 1   (x i  x ) 2   155,414  15,541 und n i1 10

s22 

1 n 1   (y i  y) 2   11,819  1,182 n i 1 10

Somit kann die Hypothese geprüft werden: Bekannt sind: n1 = 10; n2 = 10; s21 = 15,541; s22 = 1,182 1.

Schritt: Aufstellung der Hypothesen

H0: σ21 = σ22 HA: σ21 ≠ σ22 2.

Schritt: Festlegung der Prüfgröße

F-Verteilung mit der Prüfgröße f=

s 21 s22

3.

Schritt: Bestimmung des kritischen Bereichs

Aus der Tabelle der F-Verteilung für α = 0,05 ergibt sich ein rechtsseitiger kritischer Wert von F0,975;9;9 = 3,179 (ν1 = 10-1 und ν2 = 10-1 Freiheitsgrade). Der linksseitige kritische Bereich beträgt

5 Lösungen zu den Fallstudien F0,025;9;9 

1 F0,975;9;9



271

1  0,3146 3,179

Ist also der Wert der Prüfverteilung kleiner als der linksseitige oder größer als der rechtsseitige Wert, wird die H0–Hypothese abgelehnt. 4. f= 5.

Schritt: Berechnung der Prüfgröße s 21 s22

=

15,541 = 13,15 1,182

Schritt: Entscheidung und Interpretation

Da f = 13,15 > fk = 3,179, kann die H0-Hypothese verworfen werden, es muss also von einem signifikanten Unterschied in den Varianzen der beiden Betriebe ausgegangen werden. Die unterstellte Ungleichverteilung der Gewerkschaftsvertreter wurde bestätigt. Fallstudie 76: Testen VII Bekannte Parameter:   x  337,29 ;   s  237,14 1.

Schritt: Aufstellung der Hypothesen

H0: Die Einkommen folgen einer Normalverteilung HA: Die Einkommen sind nicht normalverteilt 2.

Schritt: Festlegung der Prüfgröße

2

χ -Verteilung mit der Prüfgröße k

(n i  n i e ) 2

i 1

nie

2  

mit ν = k-m-1 = 5-2-1 = 2

Aus der Aufgabenstellung sind bekannt:   x  337,29 ;   s  237,14

Unter Zuhilfenahme der z-Formel: z

xio   

ergeben sich die relevanten z-Werte und korrespondierenden Wahrscheinlichkeiten:

272

5 Lösungen zu den Fallstudien Marktkapitalisierung (in Mio. €) von – bis 0 – 200 200 – 400 400 – 600 600 – 800 800 – 1.000

xi0

z

200 400 600 800 ∞

xio   

-0,58 0,26 1,11 1,95 ∞

F(z)

f (z)

0,2810 0,6026 0,8665 0,9744 1,0000

0,2810 0,3216 0,2639 0,1079 0,0256

Mit Hilfe dieser Wahrscheinlichkeiten können nun die absoluten erwarteten Einkommensbezieher der einzelnen Gruppen nie ermittelt werden. Marktkapitalisierung (in Mio. €) von – bis 0 – 200 200 – 400 400 – 600 600 – 800 800 – 1.000 3.

ni

nie

42 38 18 14 6

33,158 37,95 31,14 12,732 3,021

Schritt: Bestimmung des kritischen Bereichs

Aus der Tabelle der χ2-Verteilung für α = 0,05 bei ν = k-m-1=5-2-1=2 Freiheitsgraden ergibt sich ein kritischer Wert von 5,9915. 4.

Schritt: Berechnung der Prüfgröße k

(n i  n i e ) 2

i 1

nie

2  

Marktkapitalisierung (in Mio. €) von – bis 0 – 200 200 – 400 400 – 600 600 – 800 800 – 1.000

ni

nie

(n i  n i e ) 2 nie

42 38 18 14 6

33,158 37,95 31,14 12,732 3,021

2,358 0,000 5,54 0,126 2,938 Σ = 10,962

5 Lösungen zu den Fallstudien 5.

273

Schritt: Entscheidung und Interpretation

Da 10,962 > 5,9915, wird die H0-Hypothese verworfen. Bei einer Irrtumswahrscheinlichkeit von 5% kann also davon ausgegangen werden, dass die Grundgesamtheit keiner Normalverteilung folgt. Fallstudie 77: Testen VIII 1.

Schritt: Aufstellung der Hypothesen

H0: Die Einkommen folgen einer Gleichverteilung HA: Die Einkommen sind nicht gleichverteilt 2.

Schritt: Festlegung der Prüfgröße

χ2-Verteilung mit der Prüfgröße k

(n i  n i e ) 2

i 1

nie

2  

3.

mit ν = k-m-1

Schritt: Festlegung der Prüfgröße

Aus der Tabelle der χ2-Verteilung für α = 0,05 bei ν = k-m-1=6-0-1=5 Freiheitsgraden ergibt sich ein kritischer Wert von 11,071. 4.

Schritt: Berechnung der Prüfgröße k

(n i  n i e ) 2

i 1

nie

2  

Würden sich die 960 T€ Gesamtumsatzerlöse des Unternehmens gleichmäßig auf die Niederlassungen verteilen, ergäben sich Erwartetungswerte nie von jeweils 160T€. Niederlassung

ni

nie

(n i  n i e ) 2 nie

1 2 3 4 5 6

5.

110 170 150 210 180 140

160 160 160 160 160 160

15,625 0,625 0,625 15,625 2,500 2,500 Σ = 37,500

Schritt: Entscheidung und Interpretation

Da 37,5 > 11,071, wird die H0-Hypothese verworfen. Es liegt, bei einer Irrtumswahrscheinlichkeit von 5%, keine Gleichverteilung der Niederlassungsumsätze vor.

274

5 Lösungen zu den Fallstudien

Fallstudie 78: Testen IX Zu a) Aus folgender Arbeitstabelle wird der Korrelationskoeffizient berechnet: yi

xi  x

xi

145 49 134 37 162 52 131 41 169 48 138 38 167 52 174 52 158 48 140 46 y  151,8 x  46,3 r

Q xy Q xx  Q yy



2,7 -9,3 5,7 -5,3 1,7 -8,3 5,7 5,7 1,7 -0,3

y i  y ( x i  x )  ( y i  y)

-6,8 -17,8 10,2 -20,8 17,2 -13,8 15,2 22,2 6,2 -11,8

686,6 294,1  2.287,6

-18,36 165,54 58,14 110,24 29,24 114,54 86,64 126,54 10,54 3,54 Qxy = 686,6

(x i  x ) 2

( y i  y) 2

7,29 46,24 86,49 316,84 32,49 104,04 28,09 432,64 2,89 295,84 68,89 190,44 32,49 231,04 32,49 492,84 2,89 38,44 0,09 139,24 Qxx = 294,1 Qyy = 2.287,6

 0,84

Zu untersuchen ist nun, ob dieser Wert signifikant (von Null verschieden) ist. Die Stichprobe hat den Umfang n=10. 1.

Schritt: Aufstellung der Hypothesen

H0: r = 0 (es besteht kein Zusammenhang) HA: r ≠ 0. 2.

Schritt: Festlegung der Prüfgröße

Studentverteilung mit ν = n – 2 Freiheitsgraden und der Prüfgröße t= 3.

r n  2 1 r2

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, so dass sich aus der Tabelle der t-Verteilung für α = 0,05 ein kritischer Wert von tk = 2,306 (8 Freiheitsgrade) ergibt. Ist also der Betragswert der Prüfverteilung t > tk, so wird die H0-Hypothese abgelehnt

5 Lösungen zu den Fallstudien 4. t=

5.

275

Schritt: Berechnung der Prüfgröße

r n  2 1 r2

=

0,84  10  2 1  0,84 2

= 4,379

Schritt: Entscheidung und Interpretation

Da t = 4,379 > tk = 2,306 wird die H0-Hypothese abgelehnt, die Beziehung (positive Korrelation) zwischen den Variablen Umsatzerlös und Materialaufwand ist also statistisch gesichert. Zu b) Gesucht ist der Wert r, der den Annahme- vom Ablehnungsbereich der H0-Hypothese trennt. Dazu lösen wir die Prüfgrößenformel nach r auf:

t

r n  2 1 r2

2,306 2 

 2,306 

r  10  2 1 r2

8r 2 (1  r 2 )

2,306 2  2,306 2  r 2  8r 2 r 2  (8  2,306 2 )  2,306 2

r  0,632

In den Grenzen -0,632 bis +0,632 ist die Korrelation nicht signifikant. Fallstudie 79: Testen X

Aufgrund der Fallstudie zu den Konfidenzintervallen für β1 und β2 liegen bereits alle relevanten Informationen vor (vgl. Fallstudie 66): b2 

Q xy Q xx



9,93  5,226 und 1,90

b1  y  b 2  x  5,25  5,226  0,89  0,6

Die Regressionsgerade lautete: yˆ  0,6  5,226  x Für die Standardabweichungen ergaben sich die Werte: s b1  0,084  0,289 und s b 2  0,088  0,296

Somit können wir für den relevanten Parameter β2 den Signifikanztest durchführen:

276

5 Lösungen zu den Fallstudien

1.

Schritt: Aufstellung der Hypothesen

H0: β2 = 0 (es besteht kein Zusammenhang) HA: β2 ≠ 0. 2.

Schritt: Festlegung der Prüfgröße

Studentverteilung mit ν = n – 2 Freiheitsgraden und der Prüfgröße t=

b2 sb2

3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen zweiseitigen Test, so dass sich aus der Tabelle der t-Verteilung für α = 0,01 ein kritischer Wert von tk = 3,355 (8 Freiheitsgrade) ergibt. Ist also der Betragswert der Prüfverteilung t > tk, so wird die H0-Hypothese abgelehnt. 4.

Schritt: Berechnung der Prüfgröße

t=

5,226 b2 = = 17,65 sb2 0,296

5.

Schritt: Entscheidung und Interpretation

Da

t

= 17,65 > tk = 3,355 wird die H0-Hypothese abgelehnt, d.h. wir können bei einer

Irrtumswahrscheinlichkeit von 1% davon ausgehen, dass die Ladenverkaufsflächen die Jahresumsätze signifikant erklären. Fallstudie 80: Testen XI Es ergeben sich die Werte Wiederholer Vorlesungsversäumnis

nein

2 nij erw 2 137 111,20 5,99 2 27,80 23,94 7 32,80 20,29 34 8,20 81,18 144 36 nij

weniger als 20% mehr als 20% Randsumme

χ 2beob

n n    n ij  i  j   k l n    n i  n  j i 1 j1 n

ja

Randsumme

erw

139 41 180

2

 5,99  20,29  23,94  81,18  131,4

5 Lösungen zu den Fallstudien 1.

277

Schritt: Aufstellung der Hypothesen

H0: die beiden Merkmale sind voneinander unabhängig HA: die beiden Merkmale sind voneinander abhängig 2.

Schritt: Festlegung der Prüfgröße

χ 2-Verteilung mit ν = (k-1).(l-1) Freiheitsgraden und der Prüfgröße

χ 2beob

n n    n ij  i  j  k l  n    n i  n  j i 1 j1

2

n

3.

Schritt: Bestimmung des kritischen Bereichs

Es handelt sich um einen einseitigen Test, aus der Tabelle der χ 2-Verteilung mit ν = (2-1) (2-1) = 1 Freiheitsgrad leitet sich der kritische Wert von 6,635 ab. 4.

.

Schritt: Berechnung der Prüfgröße

χ 2beob = 131,4 5.

Schritt: Entscheidung und Interpretation

Da χ 2beob = 131,4 > χ 2Tabelle = 6,635 wird die H0-Hypothese abgelehnt. Man kann also davon ausgehen, dass zwischen Vorlesungsversäumnis und Wiederholer eine Abhängigkeit besteht.

6

Abbildungsverzeichnis

Abbildung 1: Entwicklung eines Aktienfonds ..........................................................................2 Abbildung 2: Relative Anteile ..................................................................................................4 Abbildung 3: Grundgesamtheit und Stichprobe .......................................................................6 Abbildung 4: Stichprobenarten.................................................................................................7 Abbildung 5: Arten von Stichproben........................................................................................8 Abbildung 6: Qualitative Merkmale .......................................................................................10 Abbildung 7: Intensitätsmäßig abgestufte Merkmale .............................................................10 Abbildung 8: Quantitative diskrete und stetige Merkmale .....................................................11 Abbildung 9: Urliste einer qualitativen Variable....................................................................16 Abbildung 10: Absolute und relative Häufigkeiten ................................................................16 Abbildung 11: Graphische Darstellung von qualitativen Variablen .......................................17 Abbildung 12: Eigenkapitalquoten in % ................................................................................17 Abbildung 13: Absolute und relative Summenhäufigkeiten ...................................................18 Abbildung 14: Graphische Darstellung von quantitativen Variablen .....................................18 Abbildung 15: Beziehung von quantitativen Variablen .........................................................19 Abbildung 16: Streuungsdiagramm ........................................................................................19 Abbildung 17: Einkommensverteilung von Industrie- und Entwicklungsländern I ...............21 Abbildung 18: Die idealtypische Lorenzkurve I.....................................................................21 Abbildung 19: Einkommensverteilung von Industrie- und Entwicklungsländern II ..............22 Abbildung 20: Die Lorenzkurve ausgesuchter Länder ...........................................................22 Abbildung 21: Ungewichtetes arithmetisches Mittel..............................................................23 Abbildung 22: Gewichtetes arithmetisches Mittel..................................................................24 Abbildung 23: Problematik des arithmetischen Mittels I .......................................................24 Abbildung 24: Der Median .....................................................................................................25 Abbildung 25: Der Modus ......................................................................................................26 Abbildung 26: Wertentwicklung eines Aktienfonds ..............................................................26 Abbildung 27: Problematik des arithmetischen Mittels II ......................................................27 Abbildung 28: Das geometrische Mittel .................................................................................27 Abbildung 29: Wachstumsfaktoren I ......................................................................................28 Abbildung 30: Wachstumsfaktoren II ....................................................................................28 Abbildung 31: Herleitung der Varianz ...................................................................................31 Abbildung 32: Die Varianz ....................................................................................................32 Abbildung 33: Die mittlere absolute Abweichung .................................................................33 Abbildung 34: Die Spannweite ..............................................................................................34 Abbildung 35: Der Warenkorb ...............................................................................................35 Abbildung 36: Preis- und Mengenindizes ..............................................................................36 Abbildung 37: Neuindexierungen ..........................................................................................38

280

6 Abbildungsverzeichnis

Abbildung 38: Statistische Verfahren .................................................................................... 39 Abbildung 39: Positive Kovarianz ......................................................................................... 40 Abbildung 40: Negative Kovarianz........................................................................................ 41 Abbildung 41: Korrelationsmuster ......................................................................................... 42 Abbildung 42: Positive Korrelation ....................................................................................... 44 Abbildung 43: Negative Korrelation ...................................................................................... 45 Abbildung 44: Korrelation für gruppierte Daten I.................................................................. 46 Abbildung 45: Korrelation für gruppierte Daten II ................................................................ 46 Abbildung 46: Korrelation für gruppierte Daten III ............................................................... 46 Abbildung 47: Rangkorrelationskoeffizient ........................................................................... 47 Abbildung 48: Rangkorrelationskoeffizient – die Rangproblematik...................................... 48 Abbildung 49: Regressionsanalyse I ...................................................................................... 51 Abbildung 50: Die Methode der „kleinsten Quadrate“ I ........................................................ 52 Abbildung 51: Regressionsanalyse II ..................................................................................... 53 Abbildung 52: Die Methode der „kleinsten Quadrate“ II....................................................... 54 Abbildung 53: Ableitung des Bestimmtheitsmaßes ............................................................... 56 Abbildung 54: Graphische Darstellung der Residuen ............................................................ 57 Abbildung 55: Lineare Mehrfachregression ........................................................................... 58 Abbildung 56: Matrizen der linearen Mehrfachregression ..................................................... 59 Abbildung 57: Matrix X´X ..................................................................................................... 60 Abbildung 58: Bildung der Inversen ...................................................................................... 61 Abbildung 59: Ermittlung der Regressionsparameter ............................................................ 61 Abbildung 60: Das Bestimmtheitsmaß................................................................................... 62 Abbildung 61: Kontingenztafel I............................................................................................ 63 Abbildung 62: Kontingenztafel II .......................................................................................... 63 Abbildung 63: Ermittlung von χ2 I ......................................................................................... 64 Abbildung 64: Kontingenztafel III ......................................................................................... 66 Abbildung 65: Ermittlung von χ2 II ........................................................................................ 66 Abbildung 66: gleitender Durchschnitt I ................................................................................ 68 Abbildung 67: gleitender Durchschnitt II............................................................................... 68 Abbildung 68: Saisonbereinigung I........................................................................................ 69 Abbildung 69: gleitender Durchschnitt III ............................................................................. 70 Abbildung 70: Saisonbereinigung II ...................................................................................... 72 Abbildung 71: Saisonbereinigung III ..................................................................................... 73 Abbildung 72: Ermittlung der Trendkomponente .................................................................. 75 Abbildung 73: Zufallsexperiment und Praxis......................................................................... 79 Abbildung 74: Urnenzusammensetzung ................................................................................ 79 Abbildung 75: Dreistufiges Zufallsexperiment ..................................................................... 81 Abbildung 76: Das Venn-Diagramm ..................................................................................... 82 Abbildung 77: Das Gesetz der großen Zahlen ....................................................................... 84 Abbildung 78: Spezieller Multiplikationssatz ........................................................................ 88 Abbildung 79: Allgemeiner Multiplikationssatz .................................................................... 89 Abbildung 80: Bayes´ sche Theorem I ................................................................................... 90 Abbildung 81: Bayes´ sche Theorem II ................................................................................. 92 Abbildung 82: Permutation, Variation und Kombination ...................................................... 94 Abbildung 83: Der Entscheidungsbaum der Kombinatorik ................................................... 97 Abbildung 84: Wahrscheinlichkeiten von diskreten Ereignissen I......................................... 99

6 Abbildungsverzeichnis

281

Abbildung 85: Wahrscheinlichkeiten von diskreten Ereignissen II........................................99 Abbildung 86: Binomialverteilung .......................................................................................102 Abbildung 87: Wahrscheinlichkeits- und Verteilungsfunktion der Binomialverteilung ......105 Abbildung 88: Hypergeometrische Verteilung .....................................................................106 Abbildung 89: Wahrscheinlichkeits- und Verteilungsfunktion der hypergeometrischen Verteilung ...................................................................................................108 Abbildung 90: Wahrscheinlichkeits- und Verteilungsfunktion der Poissonverteilung I ......111 Abbildung 91: Wahrscheinlichkeits- und Verteilungsfunktion der Poissonverteilung II .....111 Abbildung 92: Dichtefunktion ..............................................................................................115 Abbildung 93: Dichtefunktion der Normalverteilung ..........................................................117 Abbildung 94: Beispiel I zur Standardnormalverteilung ......................................................119 Abbildung 95: Beispiel II zur Standardnormalverteilung.....................................................120 Abbildung 96: Beispiel III zur Standardnormalverteilung ...................................................121 Abbildung 97: Dichtefunktion einer Gleichverteilung .........................................................123 Abbildung 98: Dichtefunktion einer Dreiecksverteilung......................................................126 Abbildung 99: Dichtefunktion der Exponentialverteilung ...................................................129 Abbildung 100: Wichtige Verteilungsparameter ..................................................................132 Abbildung 101: Wichtige Approximationsregeln ................................................................133 Abbildung 102: Einführung in die Schätz- und Testtheorie .................................................138 Abbildung 103: Wahrscheinlichkeitsfunkion von binomialverteilten Merkmalen ...............138 Abbildung 104: 95%- Konfidenzintervall der überfälligen Forderungen .............................140 Abbildung 105: Wichtige Konfidenzintervalle ....................................................................141 Abbildung 106: Konfidenzintervall für Regressionskoeffizienten I .....................................151 Abbildung 107: Konfidenzintervall für Regressionskoeffizienten II ...................................152 Abbildung 108: Der Value at Risk .......................................................................................155 Abbildung 109: Ermittlung des Value at Risk ......................................................................156 Abbildung 110: Erwartungstreue und effiziente Schätzfunktionen ......................................158 Abbildung 111: Konstruktion von Schätzverfahren .............................................................159 Abbildung 112: Der Maximum-Likelihood-Schätzer...........................................................160 Abbildung 113: Zweiseitiger Hypothesentest ......................................................................163 Abbildung 114: Rechts- und linksseitige Hypothesentests...................................................165 Abbildung 115: Alpha- und Betafehler beim Testen ............................................................166 Abbildung 116: Wichtige Testverfahren ..............................................................................168 Abbildung 117: χ 2-Anpassungstest I ....................................................................................176 Abbildung 118: χ 2-Anpassungstest II ..................................................................................177 Abbildung 119: χ 2-Anpassungstest III .................................................................................177 Abbildung 120: χ 2-Anpassungstest IV .................................................................................178 Abbildung 121: χ2-Anpassungstest V ...................................................................................179 Abbildung 122: χ2-Unabhängigkeitstest I.............................................................................182 Abbildung 123: χ2-Unabhängigkeitstest II ...........................................................................183

7

Griechisches Alphabet





Alpha





Beta





Gamma





Delta





Epsilon





Zeta





Eta



 

Theta





Jota





Kappa





Lambda





My





Ny





Xi





Omikron





Pi





Rho



 

Sigma





Tau





Ypsilon





Phi





Chi





Psi





Omega

8

Statistische Tabellen

8.1

Tabelle der Binomialverteilung für ausgewählte Parameter

286

8 Statistische Tabellen

8.2 Tabelle der Poissonverteilung für ausgewählte Parameter

8.2

Tabelle der Poissonverteilung für ausgewählte Parameter

287

288

8 Statistische Tabellen

Die Tabelle gibt die Verteilungsfunktion zu den unterschiedlichen Parametern λ und kWerten an. Die Wahrscheinlichkeitsfunktion leitet sich durch Differenzenbildung ab. So ist bspw. die Wahrscheinlichkeit k=2 für λ=2 die Differenz von 0,6767 und 0,4060, also 0,2707 (27,07%).

8.3 Tabelle der Standardnormalverteilung

8.3

Tabelle der Standardnormalverteilung

289

290

8 Statistische Tabellen

8.4 Tabelle der Chi-Quadratverteilung

8.4

Tabelle der Chi-Quadratverteilung

291

292

8.5

8 Statistische Tabellen

Tabelle der Student-Verteilung

8.6 Tabelle der F-Verteilung für das 95%-Quantil

8.6

Tabelle der F-Verteilung für das 95%-Quantil

293

9

Literaturverzeichnis

Assenmacher W., Deskriptive Statistik, Berlin, 2010 Backhaus K./Erichson B./Plinke W./Weiber R., Multivariate Analysemethoden: Eine anwendungsorientierte Einführung, Berlin, 2008 Bamberg G./Baur F./Krapp M., Statistik-Arbeitsbuch, München, 2008 Bamberg G./Baur F./Krapp M., Statistik, München, 2009 Bleymüller J./Gehlert G./Gülicher H., Statistik für Wirtschaftswissenschaftler, München, 2008 Bortz J., Statistik für Human- und Sozialwissenschaftler, Berlin, 2005 Bücker R., Statistik für Wirtschaftswissenschaftler, München, 2003 Cottin C./Döhler S., Risikoanalyse, Wiesbaden, 2009 Eckstein P., Statistik für Wirtschaftswissenschaftler: Eine realdatenbasierte Einführung mit SPSS, Wiesbaden, 2010 Fahrmeir L./Künstler R./Pigeot I./Tutz G., Statistik: Der Weg zur Datenanalyse, Heidelberg, 2009 Hippmann H.D., Statistik, Stuttgart, 2007 Krämer W., So lügt man mit Statistik, München, 2000 Krämer W., Statistik verstehen: Eine Gebrauchsanweisung, Frankfurt/New York, 2010 Lippe v.d.P., Induktive Statistik, München, 2004 Litz H., Statistische Methoden in den Wirtschafts- und Sozialwissenschaften, München, 2003 Luderer B., Klausurtraining Mathematik und Statistik für Wirtschaftswissenschaftler, Wiesbaden, 2008 Puhani J., Statistik: Einführung mit praktischen Beispielen, Würzburg, 2008 Quatember A., Statistik ohne Angst vor Formeln, München, 2008 Rößler I./Ungerer A., Statistik für Wirtschaftswissenschaftler, Heidelberg, 2008

296

9 Literaturverzeichnis

Schwarze J., Aufgabensammlung zur Statistik, Hamm, 2008 Schwarze J., Grundlagen der Statistik: Wahrscheinlichkeitsrechnung und induktive Statistik, Herne, 2009 Stiefl J., Risikomanagement und Existenzsicherung, München, 2010 Sydsaeter K./Hammond S., Mathematik für Wirtschaftswissenschaftler, München, 2009 Toutenburg H./Heumann H., Deskriptive Statistik, Berlin, 2008(1) Toutenburg H./Heumann H., Induktive Statistik, Berlin, 2008(2) Uhlir H./Aussenegg W., Value at Risk (VaR): Einführung und Methodenüberblick, in: Österreichisches Bank-Archiv, 44. Jg., 1996, S. 831-836 Weigand C., Statistik mit und ohne Zufall, Heidelberg, 2009 Weiß G./Aßmann M., Fallstudie: Risikoarten und Value-at-Risk-Lösung, in: Wirtschaftswissenschaftliches Studium, Heft 8, 2008, S. 455-458 Winter P., Cashflow at Risk als Instrument des industriellen Risikomanagements, in: Wirtschaftswissenschaftliches Studium, Heft 5, 2004, S. 289-294

10

Stichwortverzeichnis

Ad hoc Stichprobe 7 Additionssatz 86 Alternativhypothese 162 Approximationsregeln 131 arithmetische Mittel 23 Bayes'sche Theorem 90 bedingte Wahrscheinlichkeit 91 Bestimmtheitsmaß 54 Binomialkoeffizient 93 Binomialverteilung 100 Bravais-Pearson 42 Chi-Quadrat 130 Dreiecksverteilung 124 Effizienz 158 einfache (lineare) Regression 49 Einfache Zufallsstichprobe 7 Einflussgröße 11 einseitige Tests 165 Erwartungstreue 157 Exponentialverteilung 126 Fakultät 93 Freiheitsgrad 129 F-Verteilung 131 geometrische Mittel 26 Geschichtete Zufallsstichprobe 7 Gleichverteilung 121 gleitende Durchschnittsbildung 68 Grundgesamtheit 5 Harmonisches Mittel 28 Hypergeometrische Verteilung 105 Indizes 35 Intensitätsmäßig abgestufte Merkmale 10 Kardinalskala 10 Klumpenstichprobe 7 Kombination 93 Kombinatorik 93

Konfidenzintervall 136 Konjunkturkomponente 67 Konsistenz 158 Kontingenztafel 62 Korrelation 41 Korrelationskoeffizient 41 Kovarianzanalyse 39 Längsschnittsdaten 12 Lorenzkurve 20 Maximum-Likelihood-Methode 159 Median 24 Mengenindex 35 Mengenindex nach Laspeyres 37 Mengenindex nach Paasche 37 Mittlere absolute Abweichung 32 Modus 26 Multinomialverteilung 112 multiple (lineare) Regression 49 Multiplikationssatz 87 Neuindexierung 38 nichtlineare Regression 49 Nichtzufällige Stichprobe 7 Nominalskala 9 Nonsenskorrelation 20 Normalverteilung 116 Nullhypothese 162 Ordinalskala 10 Parametertests 136 Permutation 93 Poissonverteilung 109 Preisindex 35 Preisindex nach Laspeyres 36 Preisindex nach Paasche 36 Qualitative Merkmale 9 Quantitative Merkmale 10 quasilineare Regression 49

298 Querschnittsdaten 12 Quotenstichprobe 7 Rangkorrelationskoeffizient 47 Regressand 59 Regressionsanalyse 49 Regressionsansatz 50 Regressionsgerade 53 Regressor 59 Residuen 54 Saisonbereinigung 68 Saisonkomponente 67 Schätzen 135 Signifikanzniveau 164 Spannweite 34 Spearman 42 Standardabweichung 30 Standardisierungsformel 118 Standardnormalverteilung 118 Stichprobe 5 Stichprobenumfang 153 Studentverteilung 130 Suffizienz 159 Teilerhebung 135

10 Stichwortverzeichnis Testen 136 Trendkomponente 67 Tschuprow-Maß 65 t-Verteilung 130 Value at Risk 154 Varianz 30 Variation 93 Variationskoeffizient 33 Venn-Diagramm 81 Verteilungstests 136 Vollerhebung 135 Wahrscheinlichkeit 84 Wertindex 35, 37 Zeitreihenanalyse 66 Zielgröße 11 zufällige Komponente 67 Zufallsexperiment 78 Zufallsstichprobe 7 zweiseitige Tests 165 α-Fehler 165 β-Fehler 165 χ2-Verteilung 130